Erstellung und Auswertung repräsentativer Mobilitäts- und ...

WORKING PAPER SERIES IN PRODUCTION AND ENERGY

KIT – Die Forschungsuniversität in der Helmholtz-Gemeinschaftwww.iip.kit.edu

0,00

0,15

0,30

0,45

0,60

0,75

00:00 03:00 06:00 09:00 12:00 15:00 18:00 21:00 00:00

Le

istu

ng

[kW

]

Zuhause Am Arbeitsplatz An öffentlichen Orten

Erstellung und Auswertung

repräsentativer Mobilitäts- und

Ladeprofile für Elektrofahrzeuge

in Deutschland

Daniel Heinz

No. 30 | OKTOBER 2018

Erstellung und Auswertung repräsentativer Mobilitäts- und

Ladeprofile für Elektrofahrzeuge in Deutschland

Daniel Heinz

[email protected]

In Kombination mit einem weiterhin steigenden Anteil regenerativ erzeugten Stroms

am Strom-Mix in Deutschland kann der vermehrte Einsatz von Elektrofahrzeugen in

Zukunft einen signifikanten Beitrag zur Dekarbonisierung des Verkehrssektors leisten.

Mit gesteuerten Ladevorgängen der Elektrofahrzeuge können durch die Nutzung von

Lastverschiebepotentialen zum einen Spitzenlasten verringert und damit das

Stromnetz entlastet werden, zum anderen kann durch die flexiblen Ladevorgänge auf

das schwankende Stromangebot durch regenerative Energiequellen schnell reagiert

werden.

In dieser Arbeit wurde ein Algorithmus zur Erstellung von Fahrzeugprofilen auf Basis

der Daten des Deutschen Mobilitätspanels entwickelt. Diese Profile enthalten

repräsentative Informationen zum Mobilitätsverhalten in Deutschland, zudem kann

durch die Eingabe aktueller Elektrofahrzeuge und Angaben zur Ladeinfrastruktur das

Ladeverhalten der Fahrzeuge simuliert werden. Der detailliert erklärte Algorithmus

kann auch für zukünftige Forschungszwecke individuell angepasste Fahrzeugprofile

liefern. Darüber hinaus wurden in dieser Arbeit Fahrzeugprofile für verschiedene

Haushaltstypen und Ladeszenarien ausgewertet und dabei unter anderem

Standardlastprofile erstellt und das Lastverschiebepotential näher untersucht.

Die erzeugten Elektrofahrzeug-Standardlastprofile für verschiedene Haushaltstypen

aus Anhang E sind online verfügbar und können somit beispielsweise für zukünftige

Modelle als Eingangsdaten verwendet werden. https://www.iip.kit.edu/3559.php.

https://www.iip.kit.edu/3559.php

Bachelorarbeit

Erstellung und Auswertung repräsentativer Mobilitäts- und

Ladeprofile für Elektrofahrzeuge in Deutschland

Vorgelegt von:

Daniel Heinz

Karlsruhe, 16. April 2018

Erstgutachter: PD Dr. Patrick Jochem

Zweitgutachter: Prof. Dr. Wolf Fichtner

Betreut von: Dipl.-Wi.-Ing. Sabrina Ried

iii

Kurzfassung / Abstract

Daniel Heinz

Erstellung und Auswertung repräsentativer Mobilitäts- und Ladeprofile für Elektrofahrzeuge in Deutschland

In Kombination mit einem weiterhin steigenden Anteil regenerativ erzeugten Stroms am Strom-

Mix in Deutschland kann der vermehrte Einsatz von Elektrofahrzeugen in Zukunft einen signifi-

kanten Beitrag zur Dekarbonisierung des Verkehrssektors leisten. Mit gesteuerten Ladevorgän-

gen der Elektrofahrzeuge können durch die Nutzung von Lastverschiebepotentialen zum einen

Spitzenlasten verringert und damit das Stromnetz entlastet werden, zum anderen kann durch

die flexiblen Ladevorgänge auf das schwankende Stromangebot durch regenerative Energiequel-

len schnell reagiert werden.

In dieser Arbeit wurde ein Algorithmus zur Erstellung von Fahrzeugprofilen auf Basis der Daten

des Deutschen Mobilitätspanels entwickelt. Diese Profile enthalten repräsentative Informatio-

nen zum Mobilitätsverhalten in Deutschland, zudem kann durch die Eingabe aktueller Elektro-

fahrzeuge und Angaben zur Ladeinfrastruktur das Ladeverhalten der Fahrzeuge simuliert wer-

den. Der detailliert erklärte Algorithmus kann auch für zukünftige Forschungszwecke individuell

angepasste Fahrzeugprofile liefern. Darüber hinaus wurden in dieser Arbeit Fahrzeugprofile für

verschiedene Haushaltstypen und Ladeszenarien ausgewertet und dabei unter anderem Stan-

dardlastprofile erstellt und das Lastverschiebepotential näher untersucht.

Creating and Evaluating Representative Mobility and Load Profiles for Electric Vehicles in Germany

Combined with an ongoing increase of regenerative energy sources in the power mix in Germa-

ny, an increased use of electric vehicles makes a significant contribution to decarbonizing the

mobility sector. By controlling the charging process of the cars and thus using load shift poten-

tials, peak loads could be reduced and so the pressure on the local power grid could be de-

creased. Additionally, those flexible charging processes could react rapidly to the fluctuating

power supply of regenerative energy sources.

In this thesis an algorithm which creates representative car profiles using the mobility data of

the “Deutsches Mobilitätspanel” was developed. Moreover, the algorithm simulates the charging

behavior of the car considering user inputs on current electric vehicle models and the charging

infrastructure. The developed algorithm is explained in detail and can provide individualized car

profiles for future research. In this thesis several sets of car profiles for various types of house-

holds and charging scenarios are generated and analyzed. The results provide, inter alia, stand-

ard load profiles and evaluations of the load shift potentials, which can be basis for future re-

search on loading optimization.

v

Inhaltsverzeichnis

Abbildungsverzeichnis vii

Tabellenverzeichnis viii

Abkürzungsverzeichnis ix

Modellnomenklatur x

Einleitung 1

Grundlagen 4

2.1. MOP - Das Deutsche Mobilitätspanel ......................................................................................................... 4

2.2. Elektromobilität .................................................................................................................................................. 7

(Teil-)elektrische Antriebskonzepte ........................................................................................... 8

Aktuelle Beispielfahrzeuge und kurzfristige Marktentwicklung ................................. 10

Langfristige Potentiale durch Elektrofahrzeuge ................................................................. 11

2.3. Der Ladevorgang von Elektrofahrzeugen ............................................................................................. 13

Ladesystemvarianten ..................................................................................................................... 13

Elektrofahrzeuge als Teil des Smart Grid .............................................................................. 16

Ladestand, nutzbare Ladeleistung und aufgeladene Energie ........................................ 18

Ladestrategien und Lastverschiebepotentiale .................................................................... 23

Optimierung des Ladeverhaltens .............................................................................................. 26

Generierung der Fahrzeugprofile 28

3.1. Zielsetzung und Anforderungsanalyse ................................................................................................... 29

Funktionale Anforderungen ........................................................................................................ 29

Technische Anforderungen ......................................................................................................... 31

3.2. MATLAB-Algorithmus zur Erzeugung der Mobilitäts- und Ladeprofile ................................... 32

Auswahl der Haushalte und Datenbankabfrage ................................................................. 34

Anpassung der Fahrzeug- und Mobilitätsdaten .................................................................. 36

Fahrzeugsubstitution ..................................................................................................................... 41

Berechnung der Ladeprofile ........................................................................................................ 43

Fahrzeugaggregation und Auswertungen ............................................................................. 49

vi

3.3. Kritische Betrachtung .................................................................................................................................... 52

Verwendete Daten ........................................................................................................................... 52

Getroffene Annahmen .................................................................................................................... 55

Auswertungen und Ergebnisse 57

4.1. Methodik ............................................................................................................................................................. 57

Basismodell ........................................................................................................................................ 58

Haushaltstypen ................................................................................................................................. 59

Ladeszenarien ................................................................................................................................... 60

Vorgehensweise ............................................................................................................................... 61

4.2. Ergebnisse .......................................................................................................................................................... 61

Auswertung des Mobilitätsverhaltens .................................................................................... 62

Standardlastprofile bei ungesteuertem Laden .................................................................... 68

Lastverschiebepotentiale ............................................................................................................. 72

4.3. Interpretation der Ergebnisse .................................................................................................................... 75

Mobilitätsverhalten ......................................................................................................................... 75

Ladeverhalten und Einfluss der Ladeinfrastruktur ........................................................... 76

Schlussbetrachtung 78

5.1. Zusammenfassung .......................................................................................................................................... 78

5.2. Ausblick ............................................................................................................................................................... 79

Literaturverzeichnis 81

Anhang A: Verwendete Elektrofahrzeuge 86

Anhang B: Erhobene Haushaltsinformationen 87

Anhang C: Aufenthaltsorte der Fahrzeuge 91

Anhang D: Aufenthaltsdauer der Fahrzeuge 94

Anhang E: Standardlastprofile 95

Anhang F: Lastverschiebepotentiale 101

Eidesstattliche Erklärung 104

vii

Abbildungsverzeichnis

Abbildung 1: 𝑃𝑆𝑂𝐶, 𝑡 und 𝑃𝑚𝑎𝑥, 𝑡 in Abhängigkeit von 𝑆𝑂𝐶𝑝𝑟𝑜𝑧𝑡 − 1 mit 𝐸𝐵𝑎𝑡 = 22 𝑘𝑊ℎ. ....... 22

Abbildung 2: 𝑃𝑚𝑎𝑥, 𝑡 und 𝑆𝑂𝐶𝑝𝑟𝑜𝑧𝑡 mit 𝐸𝐵𝑎𝑡 = 22 𝑘𝑊ℎ und verschiedene Ladestationen. ...... 23

Abbildung 3: (Extrem-)Ladestrategien und Lastverschiebepotentiale .................................................... 26

Abbildung 4: Flow Chart zur Erzeugung der Fahrzeugprofile und der Ladelastkurve. ..................... 33

Abbildung 5: Flow Chart – Modul 1: DB-Abfrage. .............................................................................................. 34

Abbildung 6: Flow Chart – Modul 2.1: Anpassung der Fahrzeugdaten. ................................................... 36

Abbildung 7: Flow Chart – Modul 2.2: Anpassung der Mobilitätsdaten. .................................................. 38

Abbildung 8: Flow Chart – Modul 3: Fahrzeugsubstitution. ......................................................................... 41

Abbildung 9: Flow Chart – Modul 4: Erzeugung der Ladeprofile. ............................................................... 43

Abbildung 10: Flow Chart – Modul 5: Fahrzeugaggregation. ....................................................................... 49

Abbildung 11: Durchschnittliche Personen- und Pkw-Anzahl je Haushaltstyp. ................................... 59

Abbildung 12: Auswertung des durchschnittlichen Verkehrsaufkommens. ......................................... 63

Abbildung 13: Aufenthaltsorte der Fahrzeuge in der gesamten Woche. ................................................. 64

Abbildung 14: Durchschnittlich verbrauchte Energie pro Stunde. ............................................................ 66

Abbildung 15: Vergleich der durchschnittlich verbrauchten Energie (kWh/h) je Haushaltstyp. . 67

Abbildung 16: Standardlastprofile je Ladeszenario für Werktage und Wochenende. ....................... 70

Abbildung 17: Anteil der verschiedenen Lademöglichkeiten im Standardlastprofil. ........................ 71

Abbildung 18: Anteil der Ladedauer an der Aufenthaltsdauer bei ungesteuertem Laden. ............. 72

Abbildung 19: Verlauf der verfügbaren und geladenen Energie bei Max-/Min-Strategie. .............. 74

Abbildung 20: Aufenthaltsorte der bewegten Fahrzeuge in der gesamten Woche (Typ 1 & 2). ... 91



Abbildung 23: Aufenthaltsdauer der Fahrzeuge nach Aufenthaltsort und Haushaltstyp. ............... 94

Abbildung 24: Standardlastprofile bei ungesteuertem Laden je Ladeszenario (Typ 1). .................. 95





Abbildung 29: Standardlastprofile bei ungesteuertem Laden je Ladeszenario (Typ 6). ............... 100

Abbildung 30: Verfügbare und geladene Energie bei Max-/Min-Strategie (Ladeszenario A). .... 101

Abbildung 31: Verfügbare und geladene Energie bei Max-/Min-Strategie (Ladeszenario B). .... 102

Abbildung 32: Verfügbare und geladene Energie bei Max-/Min-Strategie (Ladeszenario C). .... 103

viii

Tabellenverzeichnis

Tabelle 1: Verschiedene Möglichkeiten zur AC-Ladung. ................................................................................ 15

Tabelle 2: Verschiedene Möglichkeiten zur DC-Ladung. ................................................................................ 15

Tabelle 3: Beschreibung der in Modul 1 abgefragten Fahrzeugdaten. ..................................................... 35

Tabelle 4: Beschreibung der in Modul 1 abgefragten Mobilitätsdaten. .................................................... 36

Tabelle 5: Leistungsgrenzen zur Zuordnung der KBA-Segmente. .............................................................. 37

Tabelle 6: Häufigkeit der angegebenen KBA-Segmente in den MOP-Daten 2015/2016. ................. 42

Tabelle 7: Gespeicherte Informationen in den erstellten Ladeprofilen. .................................................. 44

Tabelle 8: Verteilung der Aufenthaltsorte der Fahrzeuge. ............................................................................ 45

Tabelle 9: Enthaltene Informationen der aggregierten Fahrzeugflotte. .................................................. 50

Tabelle 10: Anzahl der Veränderungen der MOP-Daten. ............................................................................... 53

Tabelle 11: Beschreibung der 3 Ladeszenarien: Ladeleistungen je Aufenthaltsort. ........................... 60

Tabelle 12: Betrachtete Fahrzeugflotte nach Haushaltstypen. .................................................................... 62

Tabelle 13: Durchschnittliche Aufenthaltsdauer der bewegten Fahrzeuge je Aufenthaltsort. ...... 65

Tabelle 14: Anteil der mit dem substituierten BEV abbildbaren Mobilitätsprofile. ........................... 68

Tabelle 15: Anteil der mit elektrischer Energie zurückgelegten Strecke. ............................................... 69

Tabelle 16: Für die Fahrzeugsubstitution verwendete Elektrofahrzeuge. ............................................. 86

Tabelle 17: In den MOP-Befragungen erhobene Haushaltsinformationen. ............................................ 87

ix

Abkürzungsverzeichnis

AC Alternating Current, engl. für Wechselstrom

BEV Battery Electric Vehicle, engl. für batterieelektrisches Fahrzeug

BMS Batteriemanagementsystem

CCS Combined Charging System

CEE Commission internationale de réglementation en vue de l’approbation de l’équipement

électrique

DC Direct Current, engl. für Gleichstrom

DSM Demand Side Management, engl. für Laststeuerung

FCEV Fuel-Cell Electric Vehicle, engl. für Brennstoffzellenfahrzeug

HEV Hybrid Electric Vehicle, engl. für Hybridfahrzeug

ICEV Internal Combustion Engine Vehicle, engl. für Fahrzeug mit reinem Verbrennungsmotor

IIP Institut für Industriebetriebslehre und industrielle Produktion

KBA Kraftfahr-Bundesamt

kW Kilowatt

kWh Kilowattstunde

LVP Lastverschiebepotential

MOP Deutsches Mobilitätspanel

ÖPNV Öffentlicher Personennahverkehr

PHEV Plug-In Hybrid Electric Vehicle, engl. für Plug-In-Hybridfahrzeug

Pkw Personenkraftwagen

PVA Photovoltaikanlagen

REEV Range-Extended Electric Vehicle, engl. für Fahrzeug mit Reichweitenverlängerung

SLP Standardlastprofil

SOC State of Charge, engl. für Ladestand

SUV Sport Utility Vehicle, engl. für Geländelimousine

TCO Total Cost of Ownership, engl. Für Gesamtbetriebskosten

V2G Vehicle-to-Grid, engl. für Fahrzeug ans Netz

V2H Vehicle-to-Home, engl. für Fahrzeug ans Heimnetz

x

Modellnomenklatur

𝐶𝑟𝑎𝑡𝑒,𝑚𝑎𝑥 A/Ah Maximal zulässige C-Rate zur Aufladung eines Fahrzeugs

𝐶𝑟𝑎𝑡𝑒 A/Ah C-Rate eines Ladevorgangs

𝑐𝑉𝑒𝑟𝑏𝑟 (0,∞) Konstante zur Anpassung des angegebenen elektrischen Verbrauchs

𝑐𝑆𝑂𝐶𝑚𝑎𝑥 (0,1] Konstante zur Angabe des maximalen prozentualen Ladestands

𝑐𝑆𝑂𝐶𝑚𝑖𝑛 [0,1) Konstante zur Angabe des minimalen prozentualen Ladestands

𝐸𝐹𝑎ℎ𝑟𝑡,𝑡 kWh Verbrauchte Energie im Zeitintervall t

𝐸𝐿𝑎𝑑𝑒,𝑡 kWh Aufgeladene Energie im Intervall t

𝐸𝐵𝑎𝑡 kWh Batteriekapazität

𝐼 A Stromstärke

𝑂𝑟𝑡𝑡 {0,1,…,10} Aufenthaltsort am Ende des Intervalls t

𝑃𝐿𝑎𝑑𝑒,𝑡 kW Genutzte Ladeleistung im Intervall t

𝑃𝐿𝑎𝑑𝑒𝑠𝑡𝑎𝑡𝑖𝑜𝑛,𝑡 kW Verfügbare Ladeleistung der Ladestation im Intervall t

𝑃𝑉𝑒𝑟𝑏𝑖𝑛𝑑𝑢𝑛𝑔,𝑡 kW Begrenzung der maximal nutzbaren Ladeleistung im Intervall t durch

die Ladeverbindung

𝑃𝑚𝑎𝑥,𝑡 kW Maximal nutzbare Ladeleistung im Intervall t

𝑃𝑆𝑂𝐶,𝑡 kW Begrenzung der maximal nutzbaren Ladeleistung im Intervall t durch

den Ladestand im vorherigen Intervall

𝑃𝐶𝑅𝑎𝑡𝑒 kW Begrenzung der max. nutzbaren Ladeleistung durch die max. C-Rate

𝑄 As Elektrische Ladung

𝑆𝐹𝑎ℎ𝑟𝑡,𝑡 km Gefahrene Strecke im Intervall t

𝑆𝑂𝐶𝑚𝑎𝑥 kWh Maximaler Ladestand

𝑆𝑂𝐶𝑚𝑖𝑛 kWh Minimaler Ladestand

𝑆𝑂𝐶𝑝𝑟𝑜𝑧𝑡 % Relativer Ladestand zum Zeitpunkt t

𝑆𝑂𝐶𝑡 kWh Ladestand zum Zeitpunkt t

𝑡 min Zeitpunkt am Ende des Intervalls (vergangene Zeit seit Berichtsbeginn)

𝑡0 min Zeitpunkt am Ende des ersten Intervalls

𝑇𝐿𝑎𝑑𝑒,𝑡 min Genutzte Ladedauer im Intervall t

𝑈𝑁𝑒𝑛𝑛 V Nennspannung

𝑉𝑒𝑟𝑏𝑟𝑒𝑙 kWh

100km elektrischer Verbrauch (basierend auf Herstellerangaben)

Δ 𝑆𝑂𝐶𝑡 kWh Änderung des Ladestands im Zeitintervall t

(Max) und (Min) kennzeichnen die Werte bei Maximal-/Minimal-Ladestrategie.

1 Einleitung

1

Einleitung

Mobilität befindet sich im Wandel – nicht nur in Deutschland, sondern auch in der restli-

chen Welt. In vielschichtigen Spannungsfeldern wie Digitalisierung, Urbanisierung,

Energiewende und demographischem Wandel sind die Anforderungen an die Ausgestal-

tung neuer Mobilitätskonzepte im letzten Jahrzehnt stark gestiegen. Dabei gilt es, den

wachsenden gesellschaftlichen Herausforderungen durch ein variantenreiches Mobili-

tätsangebot und schnelle, komfortable Arten der Fortbewegung entgegenzutreten, um

so den Bürgern Lebensqualität zu ermöglichen. Die Ausgestaltung der Mobilität der Zu-

kunft muss vor allem auf nachhaltige Lösungen setzen, um die Folgen des Klimawandels

möglichst gering zu halten und die Einwohner von Großstädten vor Emissionen zu

schützen (Kollosche und Schwedes 2016; Hüttl et al. 2010).

Durch die Pariser Klimaziele, die Volkswagen-Abgasaffäre und die derzeit drohenden

Fahrverbote in deutschen Großstädten ist die Diskussion über alternative Mobilitäts-

konzepte und Antriebstechnologien längst in der Mitte der deutschen Gesellschaft ange-

kommen und hat einen regen Diskurs in der Wissenschaft und der Automobilindustrie

entfacht. Experten sind sich mittlerweile einig, dass die Elektrifizierung des Pkw-

Antriebs einen wichtigen Beitrag zur zukünftigen Ausgestaltung der Individualmobilität

liefern kann. Durch den Einsatz von Elektrofahrzeugen können lokale Lärm- und Schad-

stoffemissionen und der Verbrauch fossiler Ressourcen vermieden werden, außerdem

ist der Ausstoß an Treibhausgasen insbesondere bei einem hohen Einsatz erneuerbarer

Energien geringer als bei herkömmlichen Verbrennungsmotoren (Umweltbundesamt

2016; Agora Verkehrswende 2017).

Die deutsche Bundesregierung unterstützt aktiv die Erforschung und den Ausbau der

Elektromobilität in Deutschland und hat sich bereits 2011 zum Ziel gesetzt, durch geziel-

te Förderungen und Anreize für Industrie und Kunden Deutschland zu einem „Leitmarkt

für Elektromobilität“ zu entwickeln (Bundesregierung 2011). Dazu wurde schon 2009

das Ziel geäußert, dass bis 2020 bereits eine Million Elektrofahrzeuge in Deutschland

auf der Straße fahren (Bundesregierung 2009) und bis 2030 weitere 5 Millionen Fahr-

1 Einleitung

2

zeuge hinzukommen sollen. Dieses ambitionierte Ziel für 2020 scheint 9 Jahre später

zwar nicht mehr erreichbar, dennoch deuten Fortschritte in der Batterieforschung und

umfangreiche Investitionen durch die Industrie daraufhin, dass Elektrofahrzeuge schon

in wenigen Jahren auch ohne weitere staatliche Subventionen eine wirtschaftlich attrak-

tive Alternative zu herkömmlichen Fahrzeugen sein können (Ester 2016). Als Alternati-

ve zu ausschließlich batteriebetriebenen Elektrofahrzeugen können auch Plug-In-

Hybridfahrzeuge, die sowohl mit extern geladenem Strom wie auch mit fossilen Kraft-

stoffen angetrieben werden können, einen Beitrag zur Dekarbonisierung des Verkehrs

leisten (BCG 2018).

Neben komplexen Anforderungen an die Batterie zur Speicherung der aufgeladenen

Energie stellt vor allem der Ladevorgang eines Elektrofahrzeugs eine Herausforderung

für Fahrzeugbesitzer, Anbieter der Ladeinfrastruktur und Stromnetzbetreiber dar. Wäh-

rend der Fahrzeugbesitzer vor allem an einem möglichst schnellen und unmittelbaren

Ladevorgang, aber auch an einer langsamen Alterung der Batterie und geringen variab-

len Kosten interessiert ist, gilt es für Infrastruktur- und Stromnetzanbieter, die Ladevor-

gänge zeitlich möglichst breit zu verteilen und Nachfragespitzen nach Ladestationen und

Ladeleistung zu glätten. Für Stromnetzbetreiber bietet eine zukünftig flexibel gestaltba-

re Stromnachfrage durch Elektrofahrzeuge außerdem die Möglichkeit, auf das schwan-

kende Stromangebot durch regenerative Energiequellen zu reagieren und die so erzeug-

te Energie in den Batterien der Fahrzeuge zu speichern (Schönfelder et al. 2009; Leitin-

ger und Litzlbauer 2011).

In dieser Arbeit werden repräsentative Befragungen zum Mobilitätsverhalten von Haus-

halten in Deutschland über einen Berichtszeitraum von einer Woche ausgewertet. Dazu

wurde ein Algorithmus entwickelt, der zunächst Park- und Mobilitätsprofile der Fahr-

zeuge erzeugt und anschließend auf Basis verschiedener Nutzereingaben, unter ande-

rem zur vorhandenen Ladeinfrastruktur und zu typischen Elektrofahrzeugen, Ladeprofi-

le erzeugt. Diese repräsentativen Ladeprofile können anschließend hinsichtlich der be-

nötigten Energie und der Flexibilität des Ladevorgangs ausgewertet und interpretiert

werden. Bei der Generierung der Ladeprofile ist auch eine gezielte Auswertung einzel-

ner Haushaltsgruppen möglich.

Das erste Ziel dieser Arbeit ist das Entwickeln und Dokumentieren einer nachvollzieh-

baren Modellierung, mit der aus den untersuchten Daten unter Berücksichtigung ver-

schiedener variabler Parameter, die ein mögliches Zukunftsszenario abbilden, Fahr-

1 Einleitung

3

zeugprofile generiert werden. Diese Fahrzeugprofile enthalten Informationen zum Mo-

bilitätsverhalten der Fahrzeuge im Berichtszeitraum, wobei davon ausgegangen wird,

dass das zukünftige Mobilitätsverhalten nicht von diesem abweicht. Ausgehend von den

zurückgelegten Strecken und der angegebenen vorhandenen Ladeinfrastruktur wird das

Ladeverhalten für zwei Extremladestrategien berechnet, mit dem das maximale Lastver-

schiebepotential ermittelt werden kann. Durch die Gewichtung der einzelnen Fahrzeug-

profile mit den Hochrechnungsfaktoren aus der Mobilitätserhebung kann anschließend

eine repräsentative Aggregation der Fahrzeugprofile erfolgen.

Das zweite Ziel dieser Arbeit besteht darin, diese Mobilitäts- und Ladeprofile unter Be-

rücksichtigung verschiedener Aspekte auszuwerten. Dazu werden zunächst mit dem

MATLAB-Algorithmus für 6 verschiedene Haushaltstypen und 3 mögliche Ladeszenarien

Fahrzeugprofile berechnet. Bei der anschließenden Auswertung wird unter anderem auf

Unterschiede im Mobilitätsverhalten an Werktagen und am Wochenende und den Ein-

fluss der Lage der Wohnung des Haushalts eingegangen. Außerdem werden die Auswir-

kungen verschiedener Ladeinfrastruktur-Szenarien auf das Ladeverhalten und die Fle-

xibilität des Ladezeitraums ausgewertet.

Die Arbeit ist wie folgt gegliedert: In Kapitel 2 werden Grundlagen zu den untersuchten

Daten des Deutschen Mobilitätspanels, zur Elektromobilität und zum Ladevorgang der

Elektrofahrzeuge zusammengefasst. Im Anschluss wird in Kapitel 3 der Algorithmus zur

Erzeugung der Ladeprofile vorgestellt, der auf die Ergebnisse einer im Vorfeld dieser

Bachelorarbeit durchgeführten Anforderungsanalyse angepasst ist. Die Ergebnisse für

verschiedene Ladeszenarien und Haushaltstypen werden in Kapitel 4 aufbereitet und

interpretiert. In Kapitel 5 wird die Arbeit mit einer Zusammenfassung und einem Aus-

blick abgeschlossen.

2 Grundlagen

4

Grundlagen

Dieses Kapitel behandelt verschiedene Themen, die für die spätere Modellierung und

Auswertung der Fahrzeugprofile relevant sind. Dies beinhaltet einen groben Überblick

über den fachlichen Hintergrund dieser Arbeit, um so ein besseres Verständnis der ent-

wickelten Methodik und der Ergebnisse zu ermöglichen.

Zunächst wird das Deutsche Mobilitätspanel, welches als Datengrundlage der erzeugten

Fahrzeugprofile dient, vorgestellt. Dabei wird unter anderem auf den Hintergrund und

die Motivation der Erhebung, die Struktur der vorliegenden Daten und auf die Eignung

der Datensätze zur Verwendung in dieser Arbeit eingegangen.

Im zweiten Unterkapitel werden notwendige Informationen zum Thema Elektromobili-

tät dargestellt. Zuerst werden dabei verschiedene (teil-)elektrische Antriebsvarianten

vorgestellt, wobei der Schwerpunkte auf jenen liegt, die für die später generierten Fahr-

zeugprofile relevant sind. Im Anschluss wird auf die aktuelle Marktsituation und auf

kurzfristige Entwicklungen im Bereich der Elektromobilität eingegangen. Abschließend

wird das langfristige Potential von Elektrofahrzeugen bewertet.

Im letzten Unterkapitel wird der Ladevorgang eines Elektrofahrzeugs behandelt. Dabei

werden zunächst verschiedene Ladesystemvarianten und Zukunftskonzepte im Rahmen

des Smart Grid erklärt. Daraufhin werden der Ladevorgang und der zeitliche Verlauf des

Ladestands mathematisch modelliert. In den letzten beiden Abschnitten wird auf ver-

schiedene Ladestrategien und die Optimierung des Ladevorgangs eingegangen.

2.1. MOP - Das Deutsche Mobilitätspanel

Das Deutsche Mobilitätspanel (MOP) ist eine bundesweite Erhebung zur Alltagsmobilität

und zur Nutzung von Personenkraftwagen (Pkw) in Deutschland, welche im Auftrag des

Bundesministeriums für Verkehr und digitale Infrastruktur seit 1994 durchgeführt wird.

Im Rahmen der Untersuchung werden jährlich Haushalte1 in einem zweistufigen Verfah-

1 Im Rahmen der Umfrage 2015/2016 wurden 1843 Haushalte und damit 3774 Personen befragt.

2.1 MOP - Das Deutsche Mobilitätspanel

5

ren zu ihrem Mobilitätsverhalten im Alltag befragt (Institut für Verkehrswesen, Karlsru-

her Institut für Technologie 2012, 2016).

Ziel der Erhebung ist es, das gesamte Mobilitätsverhalten der befragten Personen und

Haushalte zu erfassen und sich dabei nicht nur auf einzelne Arten der Fortbewegung zu

konzentrieren. Durch die Kombination der Mobilitätsdaten mit abgefragten Informatio-

nen zu den Personen und Haushalten wie zum Beispiel das Alter, die Verfügbarkeit von

Verkehrsmitteln und der Urbanisierungsgrad sowie der Angabe des Zwecks der zurück-

gelegten Strecken soll die Studie Ursachen von Verkehrsnachfrageänderungen aufzeigen

und Anhaltspunkte für eine zweckgerichtete Verkehrsplanung liefern.

Das MOP ist eine haushaltsbezogene Querschnitts-Stichprobe, in deren Rahmen die aus-

gewählten Haushalte in einem Zeitraum von drei Jahren jährlich befragt werden. Die

Zusammensetzung der Haushalte wechselt aber jährlich, deshalb spricht man hierbei

von einem rotierenden Panel. Die so erhobenen Daten bestehen aus zwei Teilen, die sich

durch die Befragung zur Alltagsmobilität und Angaben zur Pkw-Nutzung der Umfrage-

teilnehmer ergeben.

Der erste Teil der Befragung, welcher die Alltagsmobilität der Teilnehmer untersucht,

findet im Herbst statt. Dabei führen alle Personen des Haushalts, die älter als 10 Jahre

sind, für eine gesamte Woche ein Weg-Tagebuch, in dem sie möglichst jede zurückgeleg-

te Strecke unter Angabe der Uhrzeit, Strecke, des Zwecks und des gewählten Verkehrs-

mittels dokumentieren.

Im zweiten Teil werden die Haushalte, die mindestens einen Pkw besitzen, im Frühjahr

nach der Erhebung der Alltagsmobilität gebeten, über zwei Monate Angaben zur Fahr-

leistung und zum Kraftstoffverbrauch aller Pkw ihres Haushalts zu machen. Dazu füllen

sie ein Tankbuch aus, in das neben Angaben zum Fahrzeug hauptsächlich die zurückge-

legten Kilometer und der Verbrauch des Fahrzeugs eingetragen werden.

Die gesammelten Daten werden jährlich in sieben Datensätzen aufbereitet. Es gibt eine

Haushalts-, Personen- und Kind-Datei, welche Informationen zu den befragten Personen

und Haushalten beinhalten. Die Ergebnisse der Befragung zur Alltagsmobilität werden

in der Wege-Datei dargestellt, außerdem findet eine Aggregation der zurückgelegten

Strecken pro Tag in der Personen-Tage-Datei statt. Alle Personen, die kein Wegtagebuch

geführt haben, sind nochmal in der Personen-ohne-Tagebuch-Datei aufgeführt. Die im

Frühjahr gesammelten fahrzeugspezifischen Daten aus den Tankbüchern sind in der

2 Grundlagen

6

Tankbuch-Datei zusammengetragen. In dieser Dateistruktur wurden die MOP-

Datensätze der vergangenen drei Jahre in der MySQL-Datenbank des Instituts für In-

dustriebetriebslehre und industrielle Produktion (IIP) gespeichert.

Die MOP-Daten sind aufgrund einiger wesentlicher Vorteile besonders für Auswertun-

gen der Mobilität, wie sie in dieser oder auch anderen Forschungsarbeiten in der For-

schungsgruppe Transport und Energie durchgeführt werden, besonders geeignet. Die

Daten bilden das Mobilitätsverhalten der Teilnehmer in einer ganzen Woche ab, womit

die Tagesübergänge, zu welchen die Fahrzeuge überwiegend parken, in die Modellie-

rung einbezogen werden können und eine gesamtjährliche Hochrechnung im Vergleich

zur Verwendung reiner Tageserhebungen (z.B. „Mobilität in Deutschland“) plausibler ist,

außerdem werden Unterschiede zwischen verschiedenen Wochentagen deutlich. Da die

MOP-Daten schon seit über 20 Jahren jährlich erhoben werden, ohne dass sich die Da-

tenstruktur signifikant geändert hat, liegen umfassende Daten vor, sodass man ein ver-

meintliches Ergebnis anhand mehrerer Jahrgänge überprüfen kann und sogar Auswer-

tungen bzgl. zeitlicher Entwicklungen möglich sind. Der in dieser Arbeit entwickelte Al-

gorithmus kann, solange die Datenstruktur des Mobilitätspanels weitestgehend unver-

ändert bleibt, auch zukünftige Datensätze auswerten und damit für längere Zeit zu wei-

teren Modellen und Untersuchungen aktuelle Daten liefern.

Dadurch, dass die befragten Personen den Zweck jeder Fahrt angeben2, kann der Ort, an

dem sich ein Fahrzeug gerade befindet, relativ konkret benannt werden, wodurch ver-

schiedene mögliche Ladeszenarien3 untersucht werden können. Auch für die spezifische

Auswertung einzelner Haushaltsgruppen bieten die MOP-Daten einige Selektionsmög-

lichkeiten, wie zum Beispiel eine Untersuchung nach Regionen, Haushaltsgrößen, Bevöl-

kerungsdichten des Wohnorts oder den Grad der Anbindung an den öffentlichen Perso-

nennahverkehr (ÖPNV).

Dank der angegebenen Gewichtungsfaktoren für Haushalte, Personen, Wege und Tank-

bücher, die eine Über- oder Unterrepräsentation einzelner Gruppen im Vergleich zur

tatsächlichen bundesweiten Verteilung anhand verschiedener Merkmale4 ausgleichen,

2 Mögliche Fahrtzwecke sind Weg zur Arbeit, Dienstlicher Weg, Einkaufsweg, Freizeitweg, Serviceweg (andere

Personen transportieren), Fahrt nach Hause, Fahrt nach „außer Haus“ oder zum Zweitwohnsitz. 3 Laden nur zuhause möglich, Laden auf der Arbeit möglich, Laden beim Einkaufen, etc. 4 Gewichtung der Haushalte nach: Ortsgröße, Haushaltsgröße, Pkw-Anzahl

Gewichtung der Personen nach: Geschlecht und Alter

Gewichtung der Wege nach: Weglänge

Gewichtung der Pkws nach: Hubraum und Alter.

2.2 Elektromobilität

7

sind die MOP-Daten für ganz Deutschland und auch einzelne Regionen und Haushaltsty-

pen repräsentativ. Unter der Annahme, dass hinreichend wenig Datensätze bei der Mo-

dellierung gelöscht bzw. modifiziert werden, können die Ergebnisse dieser wissen-

schaftlichen Arbeit ebenfalls als repräsentativ betrachtet werden und ermöglichen da-

mit auch eine Skalierung auf die tatsächliche Anzahl der vorhandenen Pkws in Deutsch-

land. Eine Anwendung dieser Hochrechnung ist die Erstellung einer aggregierten Lade-

lastkurve für Deutschland, die auch für einzelne Regionen berechnet werden kann.

Bei der Modellierung und der Erstellung des Algorithmus haben sich aber auch einige

Schwachstellen der MOP-Daten gezeigt. Zu diesen Schwachstellen zählt unter anderem,

dass die zurückgelegten Wege zwar den Personen, nicht aber den vorhandenen Pkws im

Haushalt zugeordnet sind. Dies ist vor allem ein Problem, wenn in einem Haushalt meh-

rere Personen mehrere Fahrzeuge nutzen. Außerdem fehlen häufig Tankbücher einzel-

ner Pkws und damit wichtige Fahrzeuginformationen, um die Fahrzeuge sinnvoll durch

entsprechende Elektrofahrzeuge zu substituieren. Aufgrund mit den verfügbaren Pkws

unmöglich durchführbarer Fahrstrecken konnten einzelne Weg-Tagebücher nicht für

die Modellierung verwendet werden. Der Effekt durch die hierdurch verlorenen Daten

ist allerdings so gering, dass eine Hochrechnung der generierten Fahrzeugprofile immer

noch als repräsentativ erachtet werden kann.

2.2. Elektromobilität

Wie bereits in der Einleitung deutlich wurde, wächst spätestens seit Bekanntwerden der

Manipulation von Abgaswerten durch Volkswagen und drohenden Fahrverboten in

deutschen Großstädten das öffentliche Interesse an der Frage, ob und wann ein schritt-

weiser Umstieg auf elektrisch betriebene Fahrzeuge einen sinnvollen Beitrag zur Um-

weltpolitik in Deutschland leisten kann. Neben der Diskussion in Politik und Gesellschaft

ist Elektromobilität besonders in den letzten Jahren auch zu einem der beherrschenden

Themen in der Automobilindustrie und der Mobilitäts- und Energieforschung geworden.

Dies hat einen rasanten Zuwachs an serienreifen und angekündigten Elektrofahrzeugen

auf dem Automobilmarkt und einen deutlichen Anstieg wissenschaftlicher Untersu-

chungen im Themenbereich Elektromobilität ausgelöst (Clausen 2018).

Bevor im Hauptteil dieser Abschlussarbeit die Auswirkungen einer flächendeckenden

Einführung von Elektrofahrzeugen in Deutschland näher untersucht werden, werden in

diesem Kapitel einige grundlegende Teilaspekte der Elektromobilität behandelt. Dies

2 Grundlagen

8

soll das technische Verständnis der Modellierung erleichtern und eine fundiertere Be-

wertung der Ergebnisse ermöglichen. Dabei werden zunächst verschiedene (teil-

)elektrisch betriebene Antriebsvarianten vorgestellt. Anschließend wird auf den aktuel-

len Stand der Forschung und Fahrzeugentwicklung eingegangen und ein Ausblick auf die

kurzfristige Marktentwicklung im Bereich der Elektromobilität gegeben. Abschließend

wird das langfristige Potential zur Dekarbonisierung des Verkehrs durch Elektrofahr-

zeuge bewertet. Ziel dieses Unterkapitels ist es nicht, das Thema Elektromobilität in al-

len möglichen Facetten zu betrachten, sondern relevantes Wissen zusammenzufassen,

das ausreicht, um die spätere Modellierung nachvollziehen zu können. Daher finden ei-

nige Teilaspekte, wie zum Beispiel die Brennstoffzelle, nur am Rande Erwähnung. Im

darauffolgenden Unterkapitel 2.3 wird der für diese Arbeit wichtige Ladevorgang von

Elektrofahrzeugen ausführlicher behandelt.

(Teil-)elektrische Antriebskonzepte

Innerhalb der Gruppe der Elektrofahrzeuge gibt es deutliche Unterschiede hinsichtlich

der verwendeten Technik, der Wirtschaftlichkeit und des ökologischen Nutzens.

Dadurch ist eine differenzierte Betrachtung der verschiedenen Antriebskonzepte Batte-

rieelektrische Fahrzeuge (Battery Electric Vehicle, BEV), Plug-In Hybridfahrzeuge (Plug-

In Hybrid Electric Vehicle, PHEV), Fahrzeuge mit Reichweitenverlängerung (Range-

Extended Eletric Vehicle, REEV) und Brennstoffzellenfahrzeuge (Fuel-Cell Electric Vehic-

le, FCEV) sinnvoll. Hybridfahrzeuge (Hybrid Electric Vehicle, HEV), die nicht am Strom-

netz geladen werden können, werden nicht zu den Elektrofahrzeugen gezählt und des-

halb nicht näher betrachtet (Michaelis et al. 2012).

Grundsätzliche technische Unterschiede gibt es zwischen Brennstoffzellenfahrzeugen

und den übrigen Antriebsvarianten, da diese keine Batterie verwenden, um elektrische

Energie zu speichern, sondern mit zuvor meist durch Elektrolyse erzeugtem Wasserstoff

durch eine chemische Reaktion einen Elektromotor antreiben. Da die Brennstoffzellen-

Technologie und deren Ladeinfrastruktur-Konzepte noch deutlich weiter von einem se-

rienreifen Einsatz entfernt sind als die batteriebetriebenen Fahrzeuge, werden diese in

dieser Arbeit nicht näher betrachtet. Gerade für Fahrzeuge mit hoher Fahrleistung und

großer Reichweite könnten Brennstoffzellen in 20-30 Jahren jedoch eine attraktive Al-

ternativlösung hinsichtlich der Klimabilanz darstellen (Clausen 2018).


9

Plug-In-Hybridfahrzeuge und Fahrzeuge mit Reichweitenverlängerung unterscheiden

sich von Fahrzeugen mit konventionellem Antriebsstrang (Internal Combustion Engine

Vehicle, ICEV) und den oben genannten Hybrid-Fahrzeugen dadurch, dass sie zumindest

teilweise direkt mit elektrischem Strom betankt werden wohingegen HEV den Strom

über ihren Verbrennungsmotor oder durch Energierückgewinnung erzeugen. Typi-

scherweise verfügen PHEV und REEV über eine höhere Batteriekapazität als HEV und

können längere Strecken durch einen oder mehrere Elektromotoren reinelektrisch zu-

rücklegen. Es gibt keine eindeutige Abgrenzung zwischen den Bezeichnungen PHEV und

REEV, häufige Kriterien sind die Batteriekapazität und die Motorauslegung. Während

der PHEV häufig auf einen parallelen Antrieb des Elektro- und Verbrennungsmotors

ausgelegt ist, erlauben REEV häufig nur einen seriellen Betrieb, sodass der Verbren-

nungsmotor nur dazu dient, durch Kraftstoffverbrennung die Reichweite des Fahrzeugs

zu verlängern (Umweltbundesamt 2016; Kollosche und Schwedes 2016). Da sich die

Konzepte PHEV und REEV zumindest hinsichtlich der Reichweite oder des Ladevor-

gangs nicht grundlegend unterscheiden, werden diese im Folgenden unter der Bezeich-

nung PHEV zusammengefasst.

Als BEV werden Fahrzeuge bezeichnet, die ausschließlich elektrisch betrieben werden

und deshalb in der Regel über eine noch größere Batteriekapazität als PHEV verfügen.

Charakteristisch für BEV ist also auch, dass ausschließlich Strom aus dem Netz als Ener-

giequelle zur Fortbewegung genutzt wird. BEV spielen in Umweltstrategien zur Vermei-

dung von Treibhausgas- und Schadstoffemissionen eine große Rolle, da sie zum einen

deutliche Effizienzvorteile gegenüber allen anderen Antriebsmethoden haben und zum

anderen bei der Nutzung von erneuerbarem Strom in der Nutzungsphase klare Klima-

vorteile haben5 (Umweltbundesamt 2016). Da sie im Betrieb keine Emissionen aussto-

ßen und bei niedrigen Geschwindigkeiten deutlich weniger Lärm erzeugen6 kann der

Einsatz von BEV außerdem die Innenstädte entlasten und potentielle Fahrverbote ver-

meiden (Clausen 2018).

5 Auch bei der Nutzung des heutigen Strommix liegen die CO2-Emissionen schon unter den Emissionen von

Benzinmotoren und gleichauf mit den Emissionen von Dieselfahrzeugen. Genauere Bewertungen der Klimabi-

lanz hängen u.a. vom Fahrprofil und der Fahrleistung ab, für eine genauere Gegenüberstellung siehe Umwelt-

bundesamt 2016. 6 Ab einer Geschwindigkeit von ca. 30 km/h ist die Hauptursache der Lärmemissionen eines Fahrzeugs nicht

mehr der Antrieb, sondern Wind- und Reifengeräusche.

2 Grundlagen

10

Aktuelle Beispielfahrzeuge und kurzfristige Marktentwicklung

Um in den folgenden Kapiteln das Mobilitätsverhalten der befragten Haushalte mög-

lichst realistisch durch Elektrofahrzeuge abzubilden, wurde eine Marktanalyse zu be-

reits serienreifen und erwerbbaren Elektrofahrzeugen durchgeführt (Stand: Februar

2018). Besonders interessante Kennzahlen für die Modellierung waren die Batterieka-

pazität, welche in Kilowattstunden (kWh) angegeben wird, und der durchschnittliche

Verbrauch, welcher in kWh pro 100 Kilometer bemessen wird. Aus diesen beiden Wer-

ten lässt sich auch die elektrische Reichweite des Fahrzeugs berechnen7. Außerdem

wurden noch die maximale Motorleistung in Kilowatt (kW) und das Jahr des Marktein-

satzes zusammengetragen und die Fahrzeugmodelle den verschiedenen Fahrzeugseg-

menten8 des Kraftfahr-Bundesamts (KBA) zugeordnet. Die insgesamt 20 verschiedenen

Fahrzeugmodelle von 14 Herstellern sind im Anhang B in Tabelle 16 dargestellt und

wurden in der IIP-Datenbank gespeichert, sodass dort auch zukünftige Elektrofahrzeuge

nachgetragen werden können.

Insbesondere in den Fahrzeugsegmenten Mini, Kleinwagen und Kompaktklasse lassen

sich vor allem Fahrzeuge finden, die aufgrund einer eher kleinen Batterie (20 – 30 kWh)

eine Reichweite zwischen 150 und 250 Kilometern besitzen und damit vor allem für ei-

nen Einsatz im Alltag und im Stadtverkehr gedacht sind. In höheren Preisklassen finden

sich bisher wenig konkurrierende Fahrzeuge zu den Modellen von Tesla. Es ist aber da-

von auszugehen, dass zukünftig auch andere Hersteller in diesen Fahrzeugsegmenten

Batterien mit größeren Kapazitäten verbauen werden, wie zum Beispiel Jaguar mit dem

2018 angekündigten I-Pace, der über eine Batteriekapazität von 90 kWh verfügt (Jaguar

Land Rover Ltd. 2018). Nutzerberichte zeigen jedoch, dass es je nach Fahrverhalten und

externen Bedingungen deutliche Abweichungen zwischen der vom Hersteller angegebe-

nen und der tatsächlichen Reichweite geben kann (Radgen 2018).

Für die kommenden Jahre haben auch deutsche Hersteller wie Volkswagen, BMW und

Mercedes-Benz weitere (teil-)elektrisch betriebene Modelle angekündigt und bereiten

damit eine schrittweise Anpassung ihrer Produktpalette vor. Ein entscheidendes Krite-

rium für die Akzeptanz der Kunden wird neben der Reichweite die Entwicklung des An-

schaffungspreises sein (Clausen 2018). Bisher besitzt selbst bei einer überdurchschnitt-

7 𝑅𝑒𝑖𝑐ℎ𝑤𝑒𝑖𝑡𝑒 = 100 ×

𝐵𝑎𝑡𝑡𝑒𝑟𝑖𝑒𝑘𝑎𝑝𝑎𝑧𝑖𝑡ä𝑡

𝑉𝑒𝑟𝑏𝑟𝑎𝑢𝑐ℎ.

8 Mini, Kleinwagen, Kompaktklasse, Mittelklasse, Obere Mittelklasse, Oberklasse, Geländewagen, Sportwagen,

Mini-Van, Großraum-Van , Utility, Wohnmobil und Sport Utility Vehicles (SUV).


11

lichen Fahrleistung kaum ein Elektrofahrzeug gegenüber einem vergleichbaren Benzin-

oder Dieselfahrzeug Vorteile bei der Betrachtung der Gesamtbetriebskosten (engl. total

cost of ownership, TCO) (Radgen 2018).

Eine umfangreiche Analyse der Boston Consulting Group (2018) geht davon aus, dass

schon ab 2020 Verbesserungen am reinen Verbrennungsmotor nicht mehr ausreichen

um die gesetzlichen Vorschriften hinsichtlich des Schadstoffausstoßes zu erfüllen und

spätestens ab etwa 2025 geringere TCO durch sinkende Batteriekosten zu einem noch

schnelleren Wachstum von Elektro- und Hybridantrieben führen werden. Die Studie gibt

für den europäischen Automarkt für das Jahr 2025 einen Anteil von 13% BEV und 3%

PHEV und für das Jahr 2030 einen Anteil von 22% BEV und 6% PHEV der neuzugelasse-

nen Fahrzeuge an. Außerdem wird ein großes Wachstum an (Mild-)Hybridfahrzeugen

(HEV) auf ca. 27% in 2030 erwartet, sodass der Anteil von Fahrzeugen mit reinen Ver-

brennungsantrieben 2030 in Europa nur noch 44% betragen wird (BCG 2018).

Langfristige Potentiale durch Elektrofahrzeuge

Untersuchungen hinsichtlich der Klimabilanz von Elektrofahrzeugen (Umweltbundes-

amt 2016; Hacker et al. 2011; Döring und Aigner-Walder 2017) kommen zu ambivalen-

ten Ergebnissen. Einerseits scheint eine Elektrifizierung des Antriebs auf lange Sicht

unvermeidbar, um im Kombination mit erneuerbaren Energiequellen emissionsfreie

Individualmobilität zu ermöglichen und den Verbrauch endlicher fossiler Rohstoffe zu

beenden. Andererseits gibt es gerade in der Batterietechnologie zwar große Entwick-

lungssprünge und weitere Technologiepotentiale hinsichtlich Kapazität, Gewicht, Lade-

möglichkeiten, Recycling etc., aber auch große Problemfelder, unter anderem die auf-

wendige und emissionsreiche Herstellung, die Verwendung von seltenen Erdmetallen,

Entsorgungsschwierigkeiten und zu kurze Lebensdauern. Die Entwicklung und Herstel-

lung der Batterien gilt schon jetzt als Kerntechnologie, die den zukünftigen Erfolg der

Automobilhersteller wesentlich beeinflussen wird (Bundesregierung 2011).

Neben den hohen Herstellungskosten sind die Reichweite und die Unsicherheit bzgl. der

Vorhersage der Reichweite aktuell noch ein Hauptproblem der Elektromobilität (Radgen

2018). Experten gehen jedoch davon aus, dass sich die Lithium-Ionen-Batterien in den

kommenden zehn Jahren hinsichtlich des Verhältnisses von Ladekapazität zu Gewicht

bzw. Volumen noch erheblich verbessern werden und der Kaufpreis von BEV schon zwi-

schen 2023 und 2025 konkurrenzfähig sein könnte (Ester 2016; BCG 2018).

2 Grundlagen

12

Mit Fortschritten in der Fahrzeugentwicklung muss aber auch ein Ausbau der Ladeinfra-

struktur einhergehen, um Elektromobilität für eine größere Kundenmenge attraktiv zu

machen (Clausen 2018). Dazu gehört zum einen die Möglichkeit, sein Fahrzeug zu Hause

oder am Arbeitsplatz im Alltag aufladen zu können und zum anderen der flächende-

ckende Ausbau von Schnellladesäulen bzw. Tankstellen für Elektrofahrzeuge um längere

Strecken problemlos zurücklegen zu können (Reichert et al. 2012). Hier gibt es bereits

umfangreiche Kooperationen von Automobilherstellern mit Betreibern von Raststätten.

Plug-In-Hybridfahrzeuge lösen zwar das Reichweiten- und Infrastrukturproblem rein

elektrisch betriebener Fahrzeuge durch einen zusätzlichen Verbrennungsmotor (Kollo-

sche und Schwedes 2016). Dabei entstehen jedoch Nachteile, die wiederum die Vorteile

von Elektrofahrzeuge schmälern, beispielsweise eine komplexere Antriebstechnik, noch

höhere Produktionskosten und -emissionen, ein höheres Fahrzeuggewicht und damit

ein höherer Verbrauch. Außerdem unterscheiden sich die Anforderungen an die Batte-

rietechnologie im Vergleich zu rein batteriebetriebenen Fahrzeugen mit einer größeren

elektrischen Reichweite (vgl. Vezzini 2010).

Eine weiterhin steigende Verbreitung von Elektrofahrzeugen erfordert nicht nur drin-

gende Verbesserungen der Ladeinfrastruktur (Hüttl et al. 2010), sondern erhöht auch

die Anforderungen an das Stromnetz erheblich. Laut Umweltbundesamt (2016, S. 111)

könnte sich die Bruttostromnachfrage in der EU schon bis 2030 selbst bei einer modera-

ten Marktentwicklung für Elektromobilität um bis zu 10% erhöhen. Um die Auswirkung

einer Verbreitung von elektrisch betriebenen Fahrzeugen umweltbilanziell zu untersu-

chen muss also auch der Effekt auf die Gesamtemissionen des Strommix9 näher unter-

sucht werden.

Die Gestaltung des Ladevorgangs kann die Umweltbilanz dieses Mehrverbrauchs eben-

falls beeinflussen. So kann durch ein Demand Side Management (DSM, engl. für Last-

steuerung) die Spitzenlast gesenkt und die Einbindung überschüssiger erneuerbarer

Energien von 5% auf fast 10% gesteigert werden (Umweltbundesamt 2016, S. 110–114).

Die Ergebnisse dieser Arbeit können Grundlage für zukünftige Untersuchungen des

Lastverschiebepotentials in Deutschland sein.

9 Dieser zusätzlich notwendige Strom wird in der Literatur häufig als Marginalmix bezeichnet.

2.3 Der Ladevorgang von Elektrofahrzeugen

13

2.3. Der Ladevorgang von Elektrofahrzeugen

Ein Hauptunterschied bei einem Umstieg von einem Fahrzeug mit herkömmlichen Ver-

brennungsmotor auf ein Elektrofahrzeug stellt für den Nutzer die grundlegend ver-

schiedene Art der Energieversorgung dar. Während sowohl Benzin- wie auch Diesel-

fahrzeuge binnen weniger Minuten durch das Tanken von flüssigem Kraftstoff an Tank-

stellen wieder über ihre maximale Reichweite verfügen, gestaltet sich der Ladevorgang

von Elektrofahrzeugen komplexer und hängt von zusätzlichen Einflussgrößen ab (Ka-

schub 2017).

Da die Ausgestaltung des Ladevorgangs Grundlage der in dieser Arbeit vorgestellten

Vorgehensweise zur Erzeugung von Fahrzeugprofilen ist, wird in diesem Unterkapitel

näher auf mögliche Formen des Ladens von Elektrofahrzeugen eingegangen. Dabei wer-

den zunächst mögliche Ladesysteme erklärt und für verschiedene Einsatzzwecke bewer-

tet, unter anderem wird dabei die verfügbare Ladeleistung betrachtet. Danach wird das

Konzept „Smart Grid“ und dessen Schnittstellen mit der Elektromobilität vorgestellt.

Anschließend wird der Ladevorgang der Fahrzeuge durch ein mathematisches Modell

zusammengefasst. In den letzten beiden Abschnitten werden verschiedene Ladestrate-

gien und dadurch entstehende Lastverschiebepotentiale vorgestellt und verschiedene

Perspektiven auf die Optimierung des Ladevorgangs betrachtet.

Ladesystemvarianten

Grundsätzlich können drei verschiedene Konzepte der Energiezufuhr für Elektrofahr-

zeuge unterschieden werden:

• Induktives Laden über Induktionsspulen im Boden

• Ein Austausch der leeren Batterie durch eine aufgeladene Batterie und

• Konduktives Laden mittels einer physischen Verbindung („Ladekabel“).

Induktives Laden wäre für den Fahrzeugbesitzer zwar die attraktivste Methode um sein

Fahrzeug aufzuladen, würde jedoch sehr hohe Investitionen in die Ladeinfrastruktur

erfordern und die Konstruktion von Elektrofahrzeugen erschweren. Außerdem müssen

die Belastungen für das Umfeld durch das dauerhafte elektromagnetische Feld kritisch

betrachtet werden (Reichert et al. 2012).

2 Grundlagen

14

Ein Batteriewechselkonzept würde Reichweitenprobleme und vor allen auch die lange

Ladedauer von heutigen Elektrofahrzeugen umgehen (Bundesregierung 2009). Um eine

funktionierende Infrastruktur hierfür aufzubauen wäre jedoch eine Vereinheitlichung

der Batterien notwendig. Wie bereits erwähnt gilt die Konzeption und Herstellung von

Batterien und Batteriemanagementsystemen als Kerntechnologie von Elektrofahrzeu-

gen, deshalb ist nicht zu erwarten, dass die Automobilhersteller ihr bereits erworbenes

Know-how zugunsten eines standardisierten Batteriewechselkonzepts aufgeben werden

(Reichert et al. 2012; Ester 2016). Außerdem würde eine Vereinheitlichung der Batte-

rien auch die physische Form der Batterie betreffen und damit die Einbindung in die

Karosserie vorgeben, was den Spielraum für die Fahrzeugkonstruktion aufgrund der

Größe der Batterien deutlich einschränkt (Reichert et al. 2012).

Aus oben genannten Gründen gilt das Laden mittels Ladekabel als wahrscheinlichstes

Energiezufuhrkonzept für kommende BEV und PHEV und wird daher in dieser wissen-

schaftlichen Arbeit näher betrachtet. Für die spätere Berechnung der Ladeprofile ist

hierbei vor allem relevant, mit welcher Ladeleistung die Elektrofahrzeuge an den ver-

schiedenen möglichen Aufenthaltsorten geladen werden können.

Grundsätzlich kann ein Elektrofahrzeug mit Wechsel- bzw. Drehstrom (AC) oder Gleich-

strom (DC) aufgeladen werden. Außerdem kann je nach maximal verfügbarer Ladeleis-

tung in Normalladepunkte10 (≤ 22 kW) und Schnellladepunkte (> 22kW) unterschieden

werden (BMWi 2016), wobei Normalladepunkte in der Regel AC-Ladung und Schnellla-

depunkte DC-Ladung nutzen.

Zur Aufladung mittels Wechsel-/Drehstrom werden mittlerweile EU-weit einheitlich

Ladeanschlüsse vom Typ 2 verwendet, welche sowohl einphasiges, wie auch dreiphasi-

ges Laden ermöglichen (Hose et al. 2015; BMWi 2016). In Tabelle 1 sind verschiedene

Möglichkeiten zur AC-Ladung aufgelistet, welche auch durch eine Anbindung an die

Stromversorgung des Haushalts genutzt werden können11.

10 Ladepunkte mit einer Ladeleistung ≤ 3,7 kW, die nicht öffentlich zugänglich sind, werden in der Ladesäulen-

verordnung BMWi 2016 hinsichtlich der technischen Vorgaben nochmals gesondert behandelt. 11 Für eine Ladeleistung > 2,3 kW ist die Installation einer Wallbox nötig, deren Kosten sich zwischen 500 und

200 € bewegen.


15

Tabelle 1: Verschiedene Möglichkeiten zur AC-Ladung.

Verwendeter Anschluss Max. Ladeleistung Phasen, Spannung, Strom

Schuko-Steckdose 2,3 kW Einphasig, 230 V, 10 A

Blauer CEE12-Stecker („Camping-Stecker“) 3,7 kW Einphasig, 230 V, 16 A

CEE-16 („Kleiner Industriestecker“) 11,1 kW Dreiphasig, 400 V, 16 A

CEE-32 („Großer Industriestecker“) 22,2 kW Dreiphasig, 400 V, 32 A

CEE-63, Mode-3 Ladekabel 43,6 kW Dreiphasig, 400 V, 63 A

Quelle: (Mouli et al. 2016; The Mobility House 2018).

Das maximale Potential von DC-Ladung für Schnellladestationen ist derzeit noch nicht

erforscht13, allerdings wird die maximal zu erreichende Ladeleistung nicht nur von der

verfügbaren Leistung der Ladestation, sondern auch durch Ladekabel und -anschluss

und durch die Batterie des Elektrofahrzeugs14 begrenzt. Anders als bei der Wechsel-

stromladung werden bei der Gleichstromladung derzeit noch verschiedene konkurrie-

rende Stecker verwendet. Während in Europa hauptsächlich das Combined Charging

System (CCS, auch Combo-2 genannt), welches mit dem Typ-2-Wechsel-/Drehstrom-

stecker kompatibel ist, verbaut wird, gibt es außerdem noch den vor allem in japani-

schen Fahrzeugen verwendeten CHAdeMO-Standard. Vor Einführung des CCS entwickel-

te Tesla bereits das Supercharger-Ladesystem, welches eine Modifizierung der Typ-2-

Steckverbindung ist (Mouli et al. 2016). Tabelle 2 fasst die maximal möglichen Ladeleis-

tungen der verschiedenen Anschlüsse zur DC-Ladung zusammen. Es ist davon auszuge-

hen, dass kommende Fahrzeuge auch höhere Spannungen von bis zu 800 V ermöglichen,

wodurch sich die maximale Ladeleistung auf bis zu 350 kW erhöhen kann (Schöttle und

Bitsche 2017).

Tabelle 2: Verschiedene Möglichkeiten zur DC-Ladung.

Verwendeter Anschluss Max. Ladeleistung Spannung, Strom

CCS/Combo 2 – Level 1 36 kW 200-450 V, bis zu 80 A



CHAdeMO 62,5 kW 200-500 V, bis zu 125 A

Tesla Supercharger 145 kW 400-480 V, bis zu 300 A

Quelle: (Mouli et al. 2016).

12 CEE: Commission internationale de réglementation en vue de l’approbation de l’équipement électrique. 13 Die bisher maximal erreichte Ladeleistung mit Serienfahrzeugen liegt bei 135 kW durch die Tesla Superchar-

ger Ladestationen. 14 Siehe Kapitel 2.3.3.

2 Grundlagen

16

Ein weiteres Unterscheidungsmerkmal des Ladesystems ist, ob bidirektionales Laden,

also das Rückspeisen von Strom aus der Batterie des Fahrzeugs in das Stromnetz, mög-

lich ist. Dadurch könnte ein Elektroauto künftig zum Beispiel als temporärer Speicher

für regenerativen Strom genutzt werden und somit Schwankungen in der Stromerzeu-

gung glätten (Reichert et al. 2012). Überlegungen hinsichtlich künftiger intelligenter

Systeme, die die Möglichkeit der Rückspeisung der aufgeladenen Energie nutzen, wer-

den unter den Begriffen Vehicle-to-Grid (V2G) und Vehicle-to-Home (V2H) zusammen-

gefasst (siehe 2.3.2), jedoch in dieser Arbeit nicht ausführlich betrachtet.

Elektrofahrzeuge als Teil des Smart Grid

Der permanent steigende Anteil erneuerbarer Energien am Strommix in Deutschland

und die Volatilität und Prognoseschwierigkeit des so erzeugten Stroms erhöhen die An-

forderungen an die Flexibilität des Stromnetzes stark und erfordern zukünftig deutlich

intelligentere Regelungssysteme. Überlegungen hinsichtlich der Ausgestaltung dieser

Stromnetze werden unter dem Begriff Smart Grid zusammengefasst (Festag et al. 2016).

Durch die bereits absehbare Marktdurchdringung von Elektrofahrzeugen in Deutsch-

land (vgl. Kapitel 2.2) wird das Aufladen der Elektrofahrzeuge zukünftig bei der Ausge-

staltung des Smart Grids eine immer größere Rolle spielen.

Zum einen wird sich durch den Umstieg auf Elektrofahrzeuge die Stromnachfrage erhö-

hen. Dabei gilt zu beachten, dass die Fahrzeuge vor allem dann ihre umweltbilanziellen

Vorteile ausspielen können, wenn diese erhöhte Nachfrage durch regenerativen Strom

gedeckt wird (Umweltbundesamt 2016). Zum anderen können die Batterien der Elekt-

rofahrzeuge aufgrund ihrer hohen Standzeit dazu genutzt werden, durch intelligente

Kommunikation mit dem Stromnetz Spitzenlasten zu vermeiden, überschüssige Strom-

mengen zu speichern und somit zu einer Glättung der Stromnachfrage beizutragen

(Schönfelder et al. 2009). Es wäre außerdem technisch möglich, diesen so gespeicherten

Strom dank bidirektionaler Ladesysteme (V2G und V2H) bei Bedarf wieder in das

Stromnetz einzuspeisen (Schill et al. 2016).

Um sowohl für Netzbetreiber wie auch Fahrzeugbesitzer Anreize schaffen zu können,

muss zunächst das ökonomische Potential dieser Maßnahmen untersucht werden. Dabei

sind sich bisherige Untersuchungen einig, dass eine Optimierung des Ladevorgangs der

Elektrofahrzeuge hinsichtlich der Nutzung des möglichen Ladezeitfensters ab einer ge-

wissen Anzahl an Elektrofahrzeugen in Deutschland für beide Seiten lukrativ ist (Dallin-


17

ger et al. 2011). Vor einem Einsatz in der Praxis gibt es aber noch einige zu klärende

Themen, wie zum Beispiel die Ausgestaltung der so entstehenden Geschäftssysteme,

indem bspw. Fahrzeugbesitzern durch flexible Strompreise gezielt Anreize gesetzt wer-

den. Außerdem bedarf es einer individuellen Anpassung des gesteuerten Ladevorgangs

auf die Mobilitätsbedürfnisse des Fahrzeugbesitzers (Schönfelder et al. 2009).

Deutlich umstrittener ist derzeit das Potenzial eines V2G-Einsatzes von Elektrofahrzeu-

gen. Hier stehen den möglichen Erträgen deutlich höhere Kosten gegenüber. Erstens

erfordert V2G einen komplizierteren Ladevorgang, der mit steigenden Anforderungen

an die Ladeinfrastruktur verbunden ist (bidirektionales Laden) und zweitens erhöht der

V2G-Einsatz die Zahl genutzter Batterieladezyklen und verursacht damit Kosten durch

die schnellere Alterung der Batterie (Dallinger et al. 2011). Allerdings hängt die Profita-

bilität dieser Systeme auch stark von bisher noch unbekannten Größen ab. So kann ei-

nerseits der weiterhin steigende Anteil erneuerbarer Energien die Folgen von Engpäs-

sen durch klimatisch ungünstigen Bedingungen15 auf das Stromangebot und damit den

Ertrag des V2G-Einsatzes noch deutlich erhöhen, andererseits können durch Erfolge in

der Batterieforschung die Alterungskosten der verbauten Batterien noch deutlich sinken

(BCG 2018).

Eine weitere Einsatzmöglichkeit ist die Smart-Home Technologie, bei der eine direkte

Anbindung des Elektrofahrzeugs an den Stromanschluss des Haushalts erfolgt. Durch

eine bidirektionale Ladeverbindung des Fahrzeugs kann so auf Stromerzeugung durch

Photovoltaikanlagen (PVA) oder Stromverbrauch durch Haushaltsgeräte reagieren und

die Speichermöglichkeit der Fahrzeugbatterie ausnutzen16 (Kaschub 2017).

Aufgrund der bisherigen Unklarheit des Nutzens von bidirektionalen Ladevorgängen

liegt das Hauptinteresse dieser Arbeit auf der Optimierung des Ladezeitpunkts der

Elektrofahrzeuge durch die Betrachtung sogenannter Lastverschiebepotentiale (LVP),

wohingegen die Option, Energie aus der Batterie in das Stromnetz einzuspeisen in dieser

Arbeit nicht näher betrachtet wird. Es besteht jedoch grundsätzlich die Möglichkeit, die

ermittelten Ladeprofile auch für V2G-/V2H-Überlegungen zu verwenden.

15 Da ein Hauptteil des regenerativen Stroms durch Solar- und Windenergie erzeugt wird, können längere wind-

stille bewölkte Phasen das Stromangebot deutlich senken. 16 Diese Anwendungen werden unter dem Stichwort Vehicle-to-Home (V2H) zusammengefasst.

2 Grundlagen

18

Ladestand, nutzbare Ladeleistung und aufgeladene Energie

Im Unterkapitel 2.3.4 werden verschiedene Ladestrategien betrachtet, welche den Zeit-

raum, in welchen ein parkendes Fahrzeug aufgeladen wird und die insgesamt geladene

Energiemenge bestimmen. Vor der Betrachtung dieser Ladestrategien ist es jedoch not-

wendig, den Ladestand des Fahrzeugs zu modellieren und die Geschwindigkeit, mit der

die Batterie geladen werden kann, zu bestimmen.

Zur Modellierung des State of Charge (SOC, engl. für Ladestand) wird die Variable 𝑆𝑂𝐶𝑡

eingeführt, welche die aufgeladene Energie, die einem Fahrzeug zum Zeitpunkt 𝑡 zur

Verfügung steht, in kWh angibt. Die Grenzen 𝑆𝑂𝐶𝑚𝑖𝑛 und 𝑆𝑂𝐶𝑚𝑎𝑥 können durch die bei-

den Konstanten 𝑐𝑆𝑂𝐶𝑚𝑖𝑛 und 𝑐𝑆𝑂𝐶𝑚𝑎𝑥 verändert werden, 𝑆𝑂𝐶𝑚𝑎𝑥 darf jedoch die Batte-

riekapazität 𝐸𝐵𝑎𝑡 nicht überschreiten:

𝑆𝑂𝐶𝑚𝑎𝑥 = 𝑐𝑆𝑂𝐶𝑚𝑎𝑥 × 𝐸𝐵𝑎𝑡 , ∈ [𝑐𝑆𝑂𝐶𝑚𝑖𝑛, 1]

𝑆𝑂𝐶𝑚𝑖𝑛 = 𝑐𝑆𝑂𝐶𝑚𝑖𝑛 × 𝐸𝐵𝑎𝑡 , ∈ [0, 𝑐𝑆𝑂𝐶𝑚𝑎𝑥]

𝑆𝑂𝐶𝑡 ∈ [𝑆𝑂𝐶𝑚𝑖𝑛, 𝑆𝑂𝐶𝑚𝑎𝑥] ∀ 𝑡 ∈ 𝑇.

Häufig ist aber vor allem der relative Ladestand 𝑆𝑂𝐶𝑝𝑟𝑜𝑧𝑡 relevant, welcher den absolu-

ten SOC ins Verhältnis zur Batteriekapazität setzt und in Prozent angegeben wird:

𝑆𝑂𝐶𝑝𝑟𝑜𝑧𝑡 = 𝑆𝑂𝐶𝑡

𝐸𝐵𝑎𝑡 [%],

𝑆𝑂𝐶𝑝𝑟𝑜𝑧𝑡 ∈ [𝑐𝑆𝑂𝐶𝑚𝑖𝑛 , 𝑐𝑆𝑂𝐶𝑚𝑎𝑥] ∀ 𝑡 ∈ 𝑇.

Die in Kapitel 3 modellierten Ladeprofile geben unter anderem den Verlauf des Lade-

stands bei verschiedenen Ladestrategien innerhalb einer Woche an, das Zeitintervall

zwischen zwei Datenpunkten kann dabei verändert werden. Bei der Betrachtung der

Änderung des Ladestands Δ 𝑆𝑂𝐶 können verschiedene Fälle unterschieden werden:

• Δ 𝑆𝑂𝐶 < 0, Fahrzeug fährt und verbraucht damit Energie.

• Δ 𝑆𝑂𝐶 = 0, Fahrzeug parkt ohne zu laden17.

• Δ 𝑆𝑂𝐶 > 0, Fahrzeug parkt und lädt Energie auf.

Die durch die Nutzung des Fahrzeugs in einem Zeitintervall verbrauchte Energie 𝐸𝐹𝑎ℎ𝑟𝑡,𝑡

ist wie auch bei herkömmlichen Pkws nicht nur von der gefahrenen Strecke 𝑆𝐹𝑎ℎ𝑟𝑡,𝑡,

17 Der Effekt der Selbstentladung einer Batterie ist hinreichend klein um in diesem Modell nicht berücksichtigt

zu werden.


19

sondern auch vom Fahrverhalten abhängig18, vereinfacht kann jedoch der vom Herstel-

ler angegebene Verbrauch19 𝑉𝑒𝑟𝑏𝑟𝑒𝑙 angenommen und ggf. mit der Konstante 𝑐𝑉𝑒𝑟𝑏𝑟 an

reale Bedingungen angepasst werden:

𝐸𝐹𝑎ℎ𝑟𝑡,𝑡 = 𝑆𝐹𝑎ℎ𝑟𝑡,𝑡 ×𝑐𝑉𝑒𝑟𝑏𝑟 × 𝑉𝑒𝑟𝑏𝑟𝑒𝑙

100

Die beim Aufladen der Batterie in einem Zeitintervall gespeicherte Energie 𝐸𝐿𝑎𝑑𝑒,𝑡 hängt

von der Ladeleistung 𝑃𝐿𝑎𝑑𝑒,𝑡 und der Ladedauer 𝑇𝐿𝑎𝑑𝑒,𝑡 ab:

𝐸𝐿𝑎𝑑𝑒,𝑡 = ∫ 𝑃𝐿𝑎𝑑𝑒,𝑡(𝑡)𝑇𝐿𝑎𝑑𝑒,𝑡

𝑡=0

𝑑𝑡

Vereinfacht wird angenommen, dass die Ladeleistung eines Ladevorgangs in einem Zeit-

intervall konstant bleibt:

𝑃𝐿𝑎𝑑𝑒,𝑡 𝑐𝑜𝑛𝑠𝑡. ⇒ 𝐸𝐿𝑎𝑑𝑒,𝑡 = 𝑇𝐿𝑎𝑑𝑒,𝑡 × 𝑃𝐿𝑎𝑑𝑒,𝑡

Zur Berechnung der gesamten Änderung des Ladestands innerhalb eines Zeitintervalls

(Δ 𝑆𝑂𝐶𝑡) müssen nun alle Energieänderungen summiert werden. Es ist auch möglich,

dass sich innerhalb eines Zeitintervalls mehrere Fahrten oder Ladevorgänge überlagern,

dieser Fall wird im Unterkapitel 3.2.4 näher behandelt.

Δ 𝑆𝑂𝐶𝑡 = 𝑆𝑂𝐶𝑡 − 𝑆𝑂𝐶𝑡−1 ∀ 𝑡 ∈ 𝑇\{𝑡0}

Δ 𝑆𝑂𝐶𝑡 = −𝐸𝐹𝑎ℎ𝑟𝑡,𝑡 + 𝐸𝐿𝑎𝑑𝑒,𝑡

In dieser Arbeit wird außerdem davon ausgegangen, dass zum Aufladen des Fahrzeugs

immer die maximal nutzbare Leistung 𝑃𝑚𝑎𝑥,𝑡 verwendet wird 20:

𝑃𝐿𝑎𝑑𝑒,𝑡 ∈ {0, 𝑃𝑚𝑎𝑥,𝑡}

Zur Bestimmung der maximal nutzbaren Ladeleistung 𝑃𝑚𝑎𝑥,𝑡 müssen mehrere Faktoren,

die die Ladeleistung begrenzen können, berücksichtigt werden. Zunächst kann eine La-

destation bedingt durch den Netzanschluss immer nur eine begrenzte maximale Ladel-

eistung 𝑃𝐿𝑎𝑑𝑒𝑠𝑡𝑎𝑡𝑖𝑜𝑛,𝑡 zur Verfügung stellen21. Zur vereinfachten Modellierung wird ange-

nommen, dass, während der Fahrt automatisch 𝑃𝐿𝑎𝑑𝑒𝑠𝑡𝑎𝑡𝑖𝑜𝑛,𝑡 = 0 gilt. Eine weitere obere

18 Da bei Elektrofahrzeugen keine Restwärme des Motors zur Heizung des Innenraums genutzt werden kann,

können bei Elektrofahrzeugen niedrige Außentemperaturen einen deutlich höheren Einfluss auf den Verbrauch

haben Spicher 2012. 19 Angegeben in kWh pro 100 Kilometer. 20 Damit werden Ladeoptimierungsstrategien, welche 𝑃𝐿𝑎𝑑𝑒 künstlich beschränken nicht näher betrachtet. 21 Bei mehreren Ladepunkten an einer Ladestation ist nicht nur die Ladeleistung der einzelnen Ladepunkte, son-

dern auch die gesamte Leistung der Ladestation limitiert. Im Folgenden wird jedoch davon ausgegangen, dass

jeder Ladepunkt einzeln beschränkt ist.

2 Grundlagen

20

Grenze 𝑃𝑉𝑒𝑟𝑏𝑖𝑛𝑑𝑢𝑛𝑔,𝑡 kann durch die Ladeverbindung bestehen. Verschiedene Ladesys-

teme wurden bereits in Unterkapitel 2.3.1 näher betrachtet.

Neben der Ladestation und der Ladeverbindung kann auch das Batteriemanagementsys-

tem (BMS) durch eine begrenzte Ladeleistung den Ladevorgang kontrollieren, um somit

Schäden an der Batterie zu verhindern und Alterungseffekte zu verringern. Vergangene

Untersuchungen haben verschiedene negative Einflüsse auf die Alterung der Batterie

ermittelt: Extreme Lagerungs- und Betriebstemperaturen und eine hohe Zyklen-Tiefe

können eine Ursache schnellerer Abnutzung sein, des Weiteren können beim Ladevor-

gang eine zu hohe C-Rate und bei einem höheren SOC auch schon niedrigere Ladeleis-

tungen schädlich für die Batterie sein (Schücking et al. 2017; Herb 2010). Zur Vermei-

dung von Tiefenentladungen und Überladungen wird der nutzbare SOC-Bereich ähnlich

wie bei Smartphones durch den Hersteller nach oben und unten begrenzt (Liu 2017). In

dieser Arbeit wird davon ausgegangen, dass diese Begrenzung in der Angabe der Batte-

riekapazität 𝐸𝐵𝑎𝑡 schon eingeflossen ist und dem Fahrer das gesamte SOC-Fenster von

0% bis 100% zur Verfügung steht. Eine Anpassung des Ladeverhaltens an die Außen-

temperatur wird in dieser Arbeit nicht betrachtet, da davon ausgegangen wird, dass das

BMS durch Kühlung der Batteriezellen in der Lage ist, die Betriebstemperatur während

des Ladevorgangs in einem geeigneten Bereich zu halten.

Für die Ermittlung der nutzbaren Ladeleistung eines Ladevorgangs müssen also vor al-

lem die Begrenzungen durch C-Rate und SOC berücksichtigt werden. Die C-Rate des La-

devorgangs gibt dabei das Verhältnis der Stromstärke des Stromflusses zur elektrischen

Ladung der Batterie22 an (Liu 2017). Die Begrenzung der Ladeleistung durch die C-Rate

ist sehr fahrzeugspezifisch, weil die tatsächliche 𝐶𝑟𝑎𝑡𝑒 eines Ladevorgangs nicht nur von

der Ladeleistung 𝑃𝐿𝑎𝑑𝑒 , sondern auch von der Batteriekapazität 𝐸𝐵𝑎𝑡 und der Nennspan-

nung 𝑈𝑁𝑒𝑛𝑛 des Fahrzeugs abhängt und zudem verschiedene Batterien verschiedene C-

Raten erlauben (Vezzini 2010).

Deshalb wird vereinfacht für die Berechnung der maximal möglichen Ladeleistung eine

konstante Nennspannung von 𝑈𝑁𝑒𝑛𝑛 = 400 𝑉 angenommen23. Dadurch kann die Grenze

22 Die elektrische Ladung der Batterie (oft auch Nennkapazität genannt) ist meist in Ampere-Stunden (Ah) ange-

geben. In dieser Arbeit wird zur exakteren Angabe der Batteriekapazität jedoch die gespeicherte Energiemenge

in kWh angegeben, welche neben der elektrischen Ladung auch die Nennspannung der Batterie berücksichtigt. 23 Diese Annahme ist für AC-Ladung plausibel, da die Ladeleistung (max. 3,7 kV) einphasiger Ladevorgänge

trotz niedriger Spannung (230 V) bei den betrachteten Batteriekapazitäten unterhalb der Begrenzungen liegt.

Zukünftig sind jedoch auch Nennspannungen über 400 V für Fahrzeuge denkbar (Schöttle und Bitsche 2017).


21

der Ladeleistung 𝑃𝐶𝑅𝑎𝑡𝑒24 in direkten Zusammenhang mit der Batteriekapazität 𝐸𝐵𝑎𝑡 ge-

setzt und durch Vorgabe einer maximalen C-Rate 𝐶𝑟𝑎𝑡𝑒,𝑚𝑎𝑥 berechnet werden:

𝐶𝑟𝑎𝑡𝑒 = 𝐼

𝑄=

𝐼 × 400 𝑉

𝑄 × 400 𝑉=

𝑃𝐿𝑎𝑑𝑒

𝐸𝐵𝑎𝑡

𝑃𝐶𝑅𝑎𝑡𝑒 = 𝐶𝑟𝑎𝑡𝑒,𝑚𝑎𝑥 × 𝐸𝐵𝑎𝑡

Da eine höhere Batteriekapazität bei gleichbleibender C-Rate eine höhere Ladeleistung

ermöglicht sind vor allem Fahrzeuge mit einer großen Batterie für Schnellladeverfahren

mit hohen Ladeleistungen geeignet. Eine C-Rate ≤ 1 hat i.d.R. keinen signifikanten Ein-

fluss auf die Alterung der Batterie, Schnellladevorgänge mit einer C-Rate zwischen 1 und

3 können dagegen aufgrund größerer Abwärme durchaus schädlich für eine Batterie

sein (Schücking et al. 2017). Ein weiterer Effekt hoher C-Raten ist die ungleichmäßige

Aufladung der Batteriezellen, weshalb durch die ausschließliche Nutzung von Schnellla-

depunkten die Leistungsfähigkeit der Batterien schnell abnehmen kann (Vezzini 2010).

Die Begrenzung der Ladeleistung in Abhängigkeit des SOCs der Batterie wird in ver-

schiedenen Fahrzeugen unterschiedlich gehandhabt (Kaschub 2017; Schücking et al.

2017), es lässt sich jedoch ein vereinfachter Zusammenhang herstellen, der für die Ziele

dieser Arbeit ausreicht. Die in Elektrofahrzeugen verbauten Lithium-Ionen-Batterien

werden nach dem sogenannten IUa-Verfahren geladen. Dabei wird die Batterie zunächst

bei konstanter Stromstärke25 und anschließend bei konstanter Spannung geladen, wobei

in dieser zweiten Ladephase die Stromstärke exponentiell abfällt und somit nur deutlich

langsamer Energie zugeführt werden kann. Sobald der Ladestrom eine bestimmte Gren-

ze unterschreitet schaltet die Batterie den Ladevorgang selbstständig ab (Liu 2017). Die

SOC-Grenze, an dem der Übergang zwischen den beiden Ladephasen erfolgt, hängt dabei

nicht nur von der Ladeleistung, sondern auch von der Zelltechnologie der Batterie ab,

liegt jedoch meist etwa bei 75-80 % (Kaschub 2017, S. 72–74; Leitinger und Litzlbauer

2011). Im Folgenden wird auf Basis verschiedener gemessener Ladekurven (Schücking

et al. 2017; Kaschub 2017) vereinfacht ein linearer Zusammenhang zwischen maximaler

Ladeleistung 𝑃𝑆𝑂𝐶,𝑡 und 𝑆𝑂𝐶𝑝𝑟𝑜𝑧𝑡−1 angenommen:

𝑃𝑆𝑂𝐶,𝑡(𝑆𝑂𝐶𝑝𝑟𝑜𝑧𝑡−1) = 3 𝐴

𝐴ℎ× 𝐸𝐵𝑎𝑡 × (1 − 𝑆𝑂𝐶𝑝𝑟𝑜𝑧𝑡−1)

24 𝑃𝐶𝑅𝑎𝑡𝑒 ist ein zeitpunktunabhängiger Wert, da die maximale C-Rate und die Batteriekapazität sich über den

betrachteten Zeitraum nicht ändern. 25 Dieser Abschnitt des Ladevorgangs wird im Folgenden Hauptladephase genannt.

2 Grundlagen

22

Die SOC-abhängige maximale Ladeleistung 𝑃𝑆𝑂𝐶,𝑡 berücksichtigt außerdem die fahrzeug-

spezifische Batteriekapazität, sodass auch hier vor allem die maximale C-Rate betrachtet

wird. Bei einem SOC von 0% sind Schnellladevorgänge mit einer C-Rate von bis zu 3 er-

laubt, ab einem SOC von 66,6% sind nur noch Normalladevorgänge mit einer C-Rate ≤ 1

erlaubt. In Abbildung 1 ist 𝑃𝑆𝑂𝐶,𝑡 in Abhängigkeit des prozentualen SOC für ein Beispiel-

fahrzeug mit einer Batteriekapazität von 22 kWh26 als schraffierte Fläche abgebildet.

Die maximal nutzbare Ladeleistung 𝑃𝑚𝑎𝑥,𝑡 zu einem bestimmten Zeitpunkt ist das Mini-

mum aller zuvor bestimmten Begrenzungen und hängt somit von der verfügbaren Leis-

tung an der Ladestation, der übertragbaren Leistung durch die Ladeverbindung, der be-

grenzten Leistung durch die C-Rate und damit auch durch die Batteriekapazität und der

begrenzten Leistung durch den Ladestand ab:

𝑃𝑚𝑎𝑥,𝑡 = min (𝑃𝐿𝑎𝑑𝑒𝑠𝑡𝑎𝑡𝑖𝑜𝑛,𝑡, 𝑃𝑉𝑒𝑟𝑏𝑖𝑛𝑑𝑢𝑛𝑔,𝑡, 𝑃𝐶𝑅𝑎𝑡𝑒 , 𝑃𝑆𝑂𝐶,𝑡)

Abbildung 1: 𝑃𝑆𝑂𝐶,𝑡 und 𝑃𝑚𝑎𝑥,𝑡 in Abhängigkeit von 𝑆𝑂𝐶𝑝𝑟𝑜𝑧𝑡−1 mit 𝐸𝐵𝑎𝑡 = 22 𝑘𝑊ℎ.

26 Bei durchschnittlichem Verbrauch ermöglicht das eine Reichweite von 100 bis 150 Kilometern.


23

In Abbildung 1 sind neben 𝑃𝑆𝑂𝐶,𝑡 auch verschiedene Kurven für 𝑃𝑚𝑎𝑥,𝑡 in Abhängigkeit

von 𝑆𝑂𝐶𝑝𝑟𝑜𝑧𝑡−1 für ein Beispielfahrzeug mit einer Batteriekapazität von 22 kWh und

typische Ladesysteme mit 𝑃𝐿𝑎𝑑𝑒𝑠𝑡𝑎𝑡𝑖𝑜𝑛,𝑡 = 𝑃𝑉𝑒𝑟𝑏𝑖𝑛𝑑𝑢𝑛𝑔,𝑡 = 22 𝑘𝑊, 11 𝑘𝑊 und 3,7 𝑘𝑊

eingezeichnet. Abbildung 2 stellt den zeitlichen Verlauf von 𝑃𝑚𝑎𝑥,𝑡 und 𝑆𝑂𝐶𝑝𝑟𝑜𝑧𝑡 wäh-

rend eines Ladevorgangs für dieselben Beispielszenarios dar und zeigt damit den expo-

nentiellen Leistungsabfall nach Beenden der Hauptladephase.

Ladestrategien und Lastverschiebepotentiale

Der Spielraum eines DSM zur intelligenten Steuerung der Stromnachfrage eines Fahr-

zeugs hängt vom individuellen Lastverschiebepotential LVP ab. Zur Bestimmung des

LVPs können verschiedene Ladestrategien, die den Ladezeitpunkt und die geladene

Energie beschrieben, betrachtet werden. Die Einschränkung eines Fahrzeugbesitzers

hinsichtlich der Flexibilität seiner Mobilität durch Lastverschiebung kann mit Kosten-

einsparungen durch flexible Strompreise belohnt werden.

Abbildung 2: 𝑃𝑚𝑎𝑥,𝑡 und 𝑆𝑂𝐶𝑝𝑟𝑜𝑧𝑡 mit 𝐸𝐵𝑎𝑡 = 22 𝑘𝑊ℎ und verschiedene Ladestationen.

2 Grundlagen

24

Zur Ermittlung des LVP eines Ladevorgangs eines parkenden Fahrzeugs sind mehrere

Informationen nötig (Kaschub 2017, S. 70; Schäuble et al. 2017):

• Der Aufenthaltszeitraum des Fahrzeugs

• Die maximal mögliche Ladeleistung unter Berücksichtigung der vorhandenen La-

deinfrastruktur, der Batterieeigenschaften und des Ladestands des Fahrzeugs

• Der Ladestand der Batterie bei Ankunft und

• Der gewünschte / erforderliche Ladestand der Batterie bei Abfahrt

Diese Informationen liegen in den in Kapitel 3 generierten Ladeprofilen allesamt vor:

Der Aufenthaltsort und der Zeitraum in dem das Fahrzeug parkt können direkt aus den

MOP-Daten ausgelesen werden27, während die maximal mögliche Ladeleistung am Auf-

enthaltsort durch eine Nutzereingabe variiert werden kann. Der Ladestand bei Ankunft

und Abfahrt ergibt sich durch die verbrauchte Energie vergangener und zukünftiger

Fahrten. Somit kann für die einzelnen Fahrzeugprofile während der gesamten Parkdau-

er das LVP bestimmt werden28.

Im Folgenden werden verschiedene Ladestrategien beschrieben, die sich vor allem hin-

sichtlich der Flexibilität des Nutzers hinsichtlich anstehender Fahrten unterscheiden.

Die einfachste und bisher am häufigsten verwendete Ladestrategie ist das unkontrollier-

te Laden, welches im Folgenden Maximal-Strategie genannt wird. Diese Strategie lässt

dem Nutzer größtmögliche Flexibilität hinsichtlich seiner zukünftigen Mobilität.

Maximal-Strategie: Starte den Ladevorgang bei Ankunft des Fahrzeugs mit ma-

ximal möglicher Ladeleistung, stoppe den Ladevorgang erst, wenn der maximale

Ladestand des Fahrzeugs erreicht ist.

Neben der Maximal-Strategie sind folgende Variationen des Ladezeitraums möglich29:

• Ein späterer Beginn des Ladevorgangs

• Eine Unterbrechung des Ladevorgangs

• Eine Ladeleistung unterhalb der max. möglichen Ladeleistung des Systems30 oder

27 Der Aufenthaltsort wird hierbei aus dem Zweck der zuvor zurückgelegten Fahrt interpretiert. 28 Während der Fahrt ist die maximal mögliche Ladeleistung gleich null und somit besteht auch keine LVP. 29 Diese sind auch miteinander kombinierbar. 30 Dieses Vorgehen ist zum Beispiel denkbar, um die Batterie zu schonen. Es wird in dieser Arbeit aber davon

ausgegangen, dass die Batterie bereits selbstständig die maximal mögliche Ladeleistung steuert und dies somit

nicht mehr vom Fahrzeugbesitzer oder Netzbetreiber berücksichtigt werden muss.


25

• Ein vorzeitiges Beenden des Ladevorgangs, sobald alle geplanten Wegstrecken

vor der nächsten Lademöglichkeit mit der geladenen Energie durchführbar sind.

Daraus ergibt sich eine weitere mögliche Extrem-Ladestrategie, welche im folgenden

Minimal-Strategie genannt wird:

Minimal-Strategie: Starte den Ladevorgang so spät wie möglich mit maximaler

Ladeleistung und beende den Ladevorgang bereits dann, wenn der für die kom-

menden Fahrten benötigte Ladestand erreicht ist.

Im Folgenden werden vor allem die beiden beschriebenen Extrem-Ladestrategien be-

trachtet, da sich aus der Differenz der so erreichbaren Ladestände das maximale LVP bei

maximal möglicher Ladeleistung berechnen lässt (Vorgehensweise analog zu Kaschub

2017, S. 72; Kaschub et al. 2013). In der Praxis sind jedoch auch verschiedene Ladestra-

tegien denkbar, die innerhalb dieser beiden Extrem-Ladestrategien liegen. In Abbildung

3 sind die Ladestände der Max.- und Min.-Strategie sowie das LVP als Differenz der bei-

den beispielhaft dargestellt. Außerdem sind als Linien folgende alternative Ladestrate-

gien eingezeichnet:

• Beispiel 1: Starte den Ladevorgang bei Ankunft des Fahrzeugs und beende den

Ladevorgang bereits dann, wenn der für die kommenden Fahrten benötigte La-

destand erreicht ist.

• Beispiel 2: Starte den Ladevorgang bei Ankunft des Fahrzeugs, unterbreche ihn

bei einem festen Ladezustand („Notladung“) und lade so spät wie möglich die üb-

rige benötigte Kapazität für die kommenden Fahrten.

• Beispiel 3: Starte den Ladevorgang bei Ankunft des Fahrzeugs, unterbreche ihn

bei einem festen Ladezustand („Notladung“) und lade so spät wie möglich das

Fahrzeug bis zum maximal erreichbaren Ladezustand.

• Beispiel 4: Starte den Ladevorgang so spät wie möglich und beende den Ladevor-

gang erst bei Erreichen des maximalen Ladezustands.

2 Grundlagen

26

Abbildung 3: (Extrem-)Ladestrategien und Lastverschiebepotentiale

Optimierung des Ladeverhaltens

Die in diesem Kapitel bereits angesprochene Optimierung des Ladeverhaltens muss ver-

schiedene Perspektiven und Interessen berücksichtigen: Zunächst gilt es, den Zeitpunkt

des Ladevorgangs dem Mobilitätsverhalten des Fahrzeugbesitzers anzupassen, sodass

dieser möglichst geringe Einschränkungen seiner Mobilität erfährt. Außerdem hat der

Fahrzeugbesitzer Interesse an einer geringen Alterung der Batterie und geringen Kosten

durch die Aufladung der Batterie (Leitinger und Litzlbauer 2011).

Eine weitere Perspektive ist die Sicht der Netzbetreiber, die durch ein gesteuertes Laden

der Fahrzeuge einen reibungslosen und gleichzeitig kostenminimalen Betrieb der

Stromversorgung ermöglichen möchten (Grahn et al. 2014). Dazu müssen durch ge-

schickte Lastverschiebung lokale Spitzenlasten vermieden werden (Sundstrom und Bin-

ding 2012; Schönfelder et al. 2009; Hahn et al. 2013). Durch den zukünftigen Einsatz

eines DMS in Elektrofahrzeugen können die Batterien der Fahrzeuge außerdem genutzt

werden, um durch die Bereitstellung von Regelleistung gezielt Netzschwankungen aus-

zugleichen (Schill et al. 2016; Mohsenian-Rad et al. 2010).


27

Abschließend gilt es noch, die angebotene Energiemenge durch die Stromerzeugung zu

betrachten. Die erzeugte Strommenge durch erneuerbarer Energiequellen ist im Ver-

gleich zu herkömmlichen Kraftwerken deutlich größeren Schwankungen unterworfen.

Dadurch wird eine Anpassung des Ladeverhaltens an das Stromangebot bei einer wach-

senden Stromnachfrage durch Elektrofahrzeuge und einen immer größeren Anteil rege-

nerativen Energien am Strom-Mix immer wichtiger (Hacker et al. 2011, S. 105–106;

Umweltbundesamt 2016).

Gegenstand zukünftiger Forschungen zur Optimierung des Ladeverhaltens muss neben

der Bereitstellung technischer Möglichkeiten auch die Weiterentwicklung rechtlicher

Rahmenbedingungen, Geschäftsmodellen und Mobilitätsdienstleistungen sein (Bundes-

regierung 2011; Ried et al. 2013), die umweltfreundliches und emissionsarmes Verhal-

ten für alle Beteiligten wirtschaftlich attraktiv machen und Barrieren abbauen (Döring

und Aigner-Walder 2017).

3 Generierung der Fahrzeugprofile

28

Generierung der Fahrzeugprofile

Am 1. Januar 2018 waren deutschlandweit 53.861 reine Elektrofahrzeuge (BEV) und

44.419 Plug-In-Hybrid-Fahrzeuge zugelassen (KBA 2018). Damit steigt der relative An-

teil an Elektrofahrzeugen am Gesamtbestand von 46,5 Millionen Pkw zwar weiterhin

deutlich, dennoch sind repräsentative Untersuchungen zur Elektromobilität auf der Ba-

sis von realen Fahrzeugdaten bisher nicht möglich. Außerdem gibt es derzeit noch deut-

liche Unterschiede zwischen den Nutzern von herkömmlichen Pkws und Elektrofahr-

zeugen (sogenannte Early-Adopters), was repräsentative Untersuchungen zusätzlich

erschwert (Frenzel et al. 2015). Daher eignen sich vor allem Untersuchungen zum gene-

rellen Mobilitätsverhalten, da angenommen werden kann, dass sich der Mobilitätsbedarf

durch eine höhere Verbreitung von Elektromobilität nur geringfügig ändert.

In diesem Kapitel wird die Vorgehensweise zur Erzeugung von repräsentativen Fahr-

zeugprofilen unter Verwendung der Daten des deutschen Mobilitätspanels (siehe 2.1)

beschrieben. In diesen Profilen werden zum einen Informationen zum Aufenthaltsort

des Fahrzeugs und zum Energieverbrauch durch zurückgelegte Fahrten über einen Zeit-

raum von einer Woche gespeichert, zum anderen wird aus einer zuvor festgelegten Lad-

einfrastruktur das Ladeverhalten und das Lastverschiebepotential bei der Verwendung

eines mit dem ursprünglichen Fahrzeug vergleichbaren Elektrofahrzeugs abgeleitet. Da

die befragten Haushalte der MOP-Daten einen repräsentativen Querschnitt für die Bun-

desrepublik Deutschland darstellen, können die Fahrzeugprofile anschließend auch für

gesamtheitliche Betrachtungen verwendet werden.

Die Fahrzeugprofile sollen Grundlage weiterer Untersuchungen innerhalb der For-

schungsgruppe für Transport und Energie am IIP sein. Um den Anforderungen zur wei-

teren Verwendung zu entsprechen wurde zu Beginn der Abschlussarbeit eine Anforde-

rungsanalyse mit den Mitarbeitern der Forschungsgruppe durchgeführt. Die Ergebnisse

dieses Workshops sind im ersten Unterkapitel zusammengefasst. Im Rahmen dieser An-

forderungsanalyse wurden funktionale wie auch technische Anforderungen definiert.

3.1 Zielsetzung und Anforderungsanalyse

29

Der zweite Teil dieses Kapitels beschreibt detailliert die einzelnen notwendigen Schritte

zur Generierung der Fahrzeugprofile und geht dabei genauer auf die verwendeten Daten

aus dem Mobilitätspanel, die Eingabemöglichkeiten durch den Nutzer, getroffene An-

nahmen und das Format der Ergebnisse ein. Die Struktur des Unterkapitels entspricht

den fünf aufeinander aufbauenden Modulen des MATLAB-Algorithmus, um so neben

dem Verständnis der Modellierung und der Interpretation der Ergebnisse auch ein Ver-

ständnis des Programmcodes zu erleichtern.

3.1. Zielsetzung und Anforderungsanalyse

Im Vorfeld dieser Abschlussarbeit wurde mit der Forschungsgruppe für Transport und

Energie im Rahmen eines gemeinsamen Workshops eine Anforderungsanalyse durchge-

führt, die die Zielsetzung dieser Arbeit und vor allem das Ergebnis des entwickelten

MATLAB-Programms näher definieren sollte. Damit sollte sichergestellt werden, dass

die entwickelten Ergebnissen auch für weitere Forschungsarbeiten innerhalb der For-

schungsgruppe genutzt werden können.

Die Ergebnisse dieser Anforderungsanalyse werden im Folgenden in zwei Kategorien

unterteilt: Funktionale und technische/nichtfunktionale Anforderungen. Während die

funktionalen Anforderungen die verwendeten Daten und Einflussmöglichkeiten durch

den Nutzer, die Ergebnisform und das zugrundeliegende Modell näher spezifizieren,

befassen sich die nichtfunktionalen Anforderungen mit der technischen Ausgestaltung

des Programms, dessen Schnittstellen mit anderen Umgebungen und der Reproduzier-

barkeit der Ergebnisse (Böhm et al. 2002).

Funktionale Anforderungen

Wie bereits oben beschrieben wird bei den funktionalen Anforderungen in Anforderun-

gen hinsichtlich der verwendeten Daten, der beeinflussbaren Eingabeparameter, der

Modellierungsschritte und der Ergebnisform unterschieden. Außerdem wurde im Rah-

men der Anforderungsanalyse eine Priorisierung der Anforderungen vorgenommen.

Bei der Diskussion der verwendeten Daten wurde nochmals deutlich, dass die MOP-

Daten unter den vorliegenden Studien die genauesten Datensätze zum Mobilitätsverhal-

ten in Deutschland liefern und damit am besten zur Erstellung der Fahrzeugprofile ge-

eignet sind. Gründe dafür sind vor allem die Repräsentativität der ausgewählten Haus-

halte und der Berichtszeitraum von einer ganzen Woche, wodurch sowohl Übergänge


30

zwischen zwei Tagen, wie auch Verhaltensunterschiede zwischen Werktagen und Wo-

chenenden berücksichtigt werden können. Zusätzlich wurde als Anforderung benannt,

dass das Programm sich nicht nur auf einen Jahrgang beschränken, sondern auch zu-

künftige MOP-Datensätze auswerten können soll (vgl. Kapitel 2.1). Die MOP-Daten stel-

len neben den Fahrzeug- und Mobilitätsdaten auch viele weitere Befragungsergebnisse

zur Verfügung, sodass auch eine gefilterte Untersuchung von Haushalten mit bestimm-

ten Eigenschaften möglich ist (siehe 3.2.1).

Als weitere Anforderung an den MATLAB-Algorithmus wurden mehrere modifizierbare

Eingabeparameter genannt, mit denen sich verschiedene zukünftige Entwicklungen im

Bereich der Elektromobilität untersuchen lassen. Dabei wurden unter anderem das La-

deverhalten der Haushalte, die vorhandene Ladeinfrastruktur und die Fahrzeugdaten

der Elektrofahrzeuge genannt.

Die Ladeinfrastruktur bzw. das Ladeverhalten der Haushalte soll dadurch beeinflussbar

sein, dass verschiedene Orte, an denen ein Fahrzeug geladen werden könnte (z.B. „zu

Hause“ oder „auf der Arbeit“), ausgewählt und miteinander kombiniert werden können.

Außerdem soll zu jeder genutzten Lademöglichkeit individuell die maximale effektive

Ladeleistung angegeben werden können. Als charakteristische Merkmale der Elektro-

fahrzeuge wurden die Batteriekapazität und der Verbrauch genannt, aus deren

Kombination sich auch die Reichweite des Fahrzeugs ergibt. Die Möglichkeit der

Anpassung dieser Fahrzeugdaten und die Verwendung verschiedener Fahrzeugtypen

galt aber als optional. Um das Laden des Elektrofahrzeugs realistischer abzubilden

wurden außerdem die Möglichkeit von Vorgaben zum Ladeverhalten der Batterie

genannt, wie zum Beispiel ein minimaler und maximaler SOC und eine Verringerung der

genutzten Ladeleistung bei steigendem SOC, um diese zu schonen.

Da manche Workshop-Teilnehmer schon selbst mit den MOP-Daten gearbeitet hatten,

konnten einige Schwierigkeiten hinsichtlich der Modellierung benannt und besprochen

werden, vor allem die fehlende Zuordnung der Wege zu den Fahrzeugen der Haushalte

sowie Anpassungen der Fahrten, die notwendig sind um einen reibungslosen Wochen-

übergang zu ermöglichen. Im Kontext der funktionalen Anforderungen wurden ver-

schiedene Optionen durchgesprochen, wie mit Mobilitätsprofilen, die durch ein rein bat-

teriebetriebenes Elektrofahrzeug aufgrund einer zu geringen Reichweite nicht abgebil-

det werden können, umgegangen werden soll. Die Möglichkeit, dass sich durch einen

Umstieg auf Elektrofahrzeuge das Mobilitätsverhalten der Personen ändert wurde im

3.1 Zielsetzung und Anforderungsanalyse

31

Workshop zwar kurz angesprochen, für die Modellierung der Fahrzeugprofile in dieser

wissenschaftlichen Arbeit jedoch explizit ausgeklammert.

Als zentrales Ergebnis der Abschlussarbeit wurden der Algorithmus zur Erzeugung der

elektrifizierten Fahrzeugprofile genannt, die unter Berücksichtigung der Eingabepara-

meter und des Aufenthaltsorts das Lastverschiebepotential jedes Fahrzeugs abbilden.

Ein weiterer Wunsch war die Zusammenfassung dieser Profile zu einer aggregierten

Ladelastkurve und zu Standardlastprofilen, die durch die Verwendung der Gewichtungs-

faktoren der MOP-Daten möglichst repräsentativ für Deutschland sein sollten. Als weite-

res Ziel wurde genannt, die Ergebnisse der Haushaltsbefragungen dahingehend zu nut-

zen, dass man die Fahrzeugprofile nach verschiedenen sinnvollen Kriterien unterschei-

den kann, zum Beispiel nach Regionen, Regionstypen, Nutzergruppen, etc.

Im Rahmen der Anforderungsanalyse wurde außerdem die Aggregation der einzelnen

Lastverschiebepotentiale diskutiert. Für diese wissenschaftliche Arbeit wurde als Ziel

gesetzt, zu prüfen inwiefern diese Aggregation mit den Ladeprofilen sinnvoll und tech-

nisch umsetzbar ist. Dazu finden sich in Kapitel 4.2.3 zwei verschiedene Ansätze, aller-

dings kann dies auch noch Schwerpunkt zukünftiger Forschungsarbeiten sein. Als mög-

liche weitergehende Auswertung der Fahrzeugprofile wurde die Cluster-Bildung ver-

schiedener Nutzergruppen angesprochen, jedoch wurde hierbei auf die begrenzte Bear-

beitungszeit und andere Forschungsarbeiten verwiesen.

Technische Anforderungen

Als grundlegendes Ziel wurde die Wiederverwendbarkeit des Programms und dessen

Ergebnissen für spätere Untersuchungen innerhalb der Forschungsgruppe genannt. Für

eine nachhaltige Nutzbarkeit sind neben der Berücksichtigung inhaltlicher Vorgaben

auch einige nichtfunktionale Anforderungen zu erfüllen:

• Angemessene Performance31

• Strukturierter und verständlicher Programmcode

• Dokumentierte Annahmen und Modellierungsschritte

• Nachvollziehbarer Umgang mit inkonsistenten/unvollständigen Datensätzen und

• Langfristige Anpassungsfähigkeit an Änderungen der inhaltlichen Anforderungen

31 Dies hat bei umfangreichen Excel-Auswertungen in der Vergangenheit ein größeres Problem dargestellt.


32

Des Weiteren wurden weitere optionale Anforderungen angesprochen, jedoch nicht de-

taillierter formuliert, so zum Beispiel die Implementation von Schnittstellen zu bereits

existierenden Modellen und die Möglichkeit, neben den MOP-Daten weitere Datenquel-

len zu verwenden, beispielsweise Messungen von realen Elektrofahrzeugen.

Darüber hinaus wurden die Vor- und Nachteile verschiedener Programmiersprachen

und Entwicklungsumgebungen diskutiert. Schließlich konnten sich die Workshop-

Teilnehmer auf die Software MATLAB des Unternehmens MathWorks einigen, da diese

eine Vielzahl an Möglichkeiten zur Programmierung und Datenaufbereitung bietet und

die meisten Mitarbeiter der Forschungsgruppe ebenfalls mit der Software vertraut sind.

Durch die ausreichenden MATLAB-Kenntnisse der zukünftigen Nutzer entfällt eine auf-

wendige Ausgestaltung einer Benutzeroberfläche.

Der Vorschlag, die MOP-Daten aus mehreren Erhebungsjahren in der institutseigenen

MySQL-Datenbank zu speichern fand breite Unterstützung, da MATLAB eine Schnittstel-

lenfunktion zur Datenbank bietet. Es wurde außerdem der Vorschlag gemacht, Ergeb-

nisse wie beispielsweise die Fahrzeugprofile in die Datenbank zu übertragen, um so die

Ergebnisse auch ohne genauere Kenntnisse des Programms nutzen zu können.

3.2. MATLAB-Algorithmus zur Erzeugung der Mobilitäts- und Ladeprofile

In diesem Unterkapitel werden die einzelnen Schritte, die zur Generierung der Fahr-

zeugprofile notwendig sind, beschrieben. Der MATLAB-Algorithmus gliedert sich in fünf

aufeinander aufbauende Module, welche jeweils in einem Abschnitt dieses Unterkapitels

näher behandelt werden. Dabei wird auf die verwendeten Daten aus der MOP-Erhebung,

die variablen Nutzereingaben, notwendige Modellierungsschritte, getroffene Annahmen

und schließlich auf die Art und Form der (Zwischen-)Ergebnisse eingegangen. Der Pro-

grammablauf wird durch das Flow Chart in Abbildung 4 nochmals visualisiert.

Um die Benutzung des MATLAB-Algorithmus zu erleichtern wurde zusätzlich zu den

Modulen eine Main-Datei geschrieben, in der die Benutzereingaben variiert und die als

functions abgebildeten Module entweder einzeln32 oder am Stück gestartet werden

können. Die verwendeten Benutzereingaben bleiben als Variablen gespeichert, der Zu-

griff auf die Ergebnisse der Auswertung erfolgt ebenfalls in der Main-Datei.

32 Hierzu müssen die einzelnen Module über den Befehl „Run Section“ gestartet werden.

3.2 MATLAB-Algorithmus zur Erzeugung der Mobilitäts- und Ladeprofile

33

Abbildung 4: Flow Chart zur Erzeugung der Fahrzeugprofile und der Ladelastkurve.

Modul 1: Auswahl der Haushalte und Datenbankabfrage

Durch eine Schnittstelle zur MySQL-Datenbank des IIP werden die benötigten MOP-

Daten abgefragt und in Tabellen gespeichert. Der Benutzer wählt dabei das Jahr der Er-

hebung und hat die Möglichkeit, die betrachteten Haushalte nach verschiedenen Krite-

rien einzugrenzen.

Modul 2: Anpassung der Fahrzeug- und Mobilitätsdaten

Die Fahrzeug- und Mobilitätsdaten aus dem Mobilitätspanel werden für die späteren

Schritte angepasst. Außerdem erfolgt eine Zuordnung der in den Haushalten zurückge-

legten Pkw-Strecken zu den im Haushalt verfügbaren Fahrzeugen, sodass man schließ-

lich vollständige Parkprofile der Fahrzeuge erhält.

Modul 3: Fahrzeugsubstitution

Mithilfe der Herstellerangaben von realen Fahrzeugen, die in einer Datenbank gesam-

melt werden, werden die durchschnittlichen Fahrzeugeigenschaften heutiger Elektro-

fahrzeuge berechnet. Anschließend wird den Fahrzeugdaten der befragten Haushalte

ein dem Fahrzeugsegment entsprechendes Durchschnitts-BEV und -PHEV zugeordnet.


34

Modul 4: Berechnung der Ladeprofile

Durch die Kombination der Mobilitätsdaten mit den fahrzeugspezifischen Daten der

substituierten Fahrzeuge wird die verbrauchte Energie und damit der Ladebedarf ermit-

telt. Ausgehend von den Standzeiten des Fahrzeugs und den vom Benutzer getroffenen

Annahmen hinsichtlich der genutzten Ladeinfrastruktur werden die beiden Extrem-

Ladestrategien und damit die Lastverschiebepotentiale berechnet.

Modul 5: Fahrzeugaggregation und Auswertungen

Die einzelnen Fahrzeugprofile werden unter Verwendung der Gewichtungsfaktoren der

MOP-Daten und vom Benutzer getroffenen Annahmen hinsichtlich der Marktdurchdrin-

gung von Elektrofahrzeugen zu einer Fahrzeugflotte zusammengefasst. Es erfolgen ver-

schiedene Auswertungen hinsichtlich des Mobilitäts- und Ladeverhaltens.

Auswahl der Haushalte und Datenbankabfrage

Abbildung 5: Flow Chart – Modul 1: DB-Abfrage.

Im ersten Modul des Algorithmus werden zwei SQL-Abfragen durchgeführt, um die für

die folgenden Module benötigten Fahrzeug- und Mobilitätsdaten des Mobilitätspanels

aus der IIP-Datenbank zu speichern. Dazu muss zunächst eine Verbindung von MATLAB

zur Datenbank „iip-web-0001_mobilitystudies“ auf dem Server „mysql2g.scc.kit.edu“

aufgebaut werden, wobei zu beachten ist, dass nur mit einer funktionierenden VPN-

Verbindung auf den KIT-Server zugegriffen werden kann. Nachdem die beiden Daten-

bankabfragen erfolgt sind und die unbehandelten MOP-Daten in den beiden Tabellen

Fzg_Roh und Wege_Roh gespeichert wurden, wird die Datenbankverbindung wieder

aufgelöst. Die gespeicherten Rohdaten bleiben auch nach Durchführung der anschlie-

ßenden Module unverändert, sodass auch nachträglich geprüft werden kann, welche

Ausgangsdaten für die Auswertungen verwendet wurden.


35

Der Benutzer hat zwei Möglichkeiten, die Auswahl der Daten zu beeinflussen: Durch die

Variable jahr kann er den Jahrgang der MOP-Erhebung bestimmen33 und mithilfe der

Stringvariable bedingungen_HH kann eine gefilterte Abfrage nach bestimmten Haus-

haltsmerkmalen erfolgen. Diese Eingabe muss SQL-kompatibel sein, sodass der Text in

den beiden SQL-Befehlen an die WHERE-Klausel angehängt werden kann. In Tabelle 17

(Anhang A) sind die möglichen Auswahlkriterien aufgelistet.

Beispiel für eine Abfrage aller Haushalte in Baden-Württemberg im Jahr 2015/2016:

jahr = '1516';

bedingungen_HH = 'AND (tblHH.GKZ BETWEEN 8000 AND 8999)';

Die abgefragten Variablen der Fahrzeug- und Mobilitätsdaten sind in Tabelle 3 und Ta-

belle 4 aufgelistet und beschrieben. In der Abfrage werden nur Haushalte berücksichtigt,

die über mindestens einen eigenen Pkw verfügen und nur Fahrtstrecken gespeichert, die

mit dem Hauptverkehrsmittel „Pkw als Fahrer“ zurückgelegt wurden.

Tabelle 3: Beschreibung der in Modul 1 abgefragten Fahrzeugdaten.

Variable Beschreibung

ID ID des Haushalts

PKWHH Anzahl der im Haushalt vorhandenen Pkw

GEWHHWO Hochrechnungsfaktor des Haushalts

PKWNR ID des Pkw innerhalb des Haushalts (aufsteigend nach absteigender ge-schätzter Jahresfahrleistung (Angabe der Teilnehmer))

PS Motorleistung des Pkw in PS

BENZIN 34 Kraftstoff

KMJAHR Geschätzte Kilometer-Leistung pro Jahr

ANZTAGE Anzahl der berichteten Tage im Tankbuch

GESKM Im Berichtszeitraum des Tankbuchs insgesamt gefahrene Entfernung in km

KMpWOCHE Hochrechnung der gefahrenen Kilometer auf eine Woche

VERB Durchschnittlicher Verbrauch des Fahrzeugs in Litern pro 100 km im Be-richtszeitraum (Tankbuch!)

HUB_KLAS 35 Hubraumklasse des Fahrzeugs [ccm]

ALT_KLAS 36 Altersklasse des Fahrzeugs

SEGMENT 37 Pkw-Segment nach KBA-Klassifikation

33 Derzeit sind die Datensätze aus den Erhebungen „1314“, „1415“ und „1516“ in der Datenbank verfügbar. 34 Codierung siehe MOP-Codeplan. 35 Codierung der Hubraumklassen: 1: ≤ 1399 ccm, 2: 1400 – 1599 ccm, 3: 1600 – 1999 ccm, 4: ≥ 2000 ccm. 36 Codierung der Altersklassen: 1: ≤ 0-3 Jahre, 2: 4-6 Jahre, 3: 7-9 Jahre, 4: 10 Jahre und älter. 37 Die Codierung wird später ausführlicher behandelt.


36

Tabelle 4: Beschreibung der in Modul 1 abgefragten Mobilitätsdaten.

Variable Beschreibung

IDHH ID des Haushalts

PKWHH Anzahl der im Haushalt vorhandenen Pkw

WEG_P Nummer der Person innerhalb des Haushalts, die den Weg zurückgelegt hat

WEG_BERTAG Berichtstag (Zahl der Tage seit Berichtsbeginn)

WEG_WOTAG Wochentag (1 = Montag, …)

WEG_DATUM Datum des Tages

TAG_FAHRER Anzahl der Personen im Haushalt, die am Berichtstag Wege mit einem Pkw zurücklegen

DIFF Differenz PKWHH – TAG_FAHRER

WEG_NRT Ordnungszahl des Weges an einem Tag

WEG_AB Uhrzeit, zu der der Weg begonnen wurde

WEG_AN Uhrzeit, zu der der Weg beendet wurde

WEG_KM Von der befragten Person angegebene oder geschätzte Entfernung in km

WEG_ZWECK 38 Zweck des Weges, der zurückgelegt wurde

Anpassung der Fahrzeug- und Mobilitätsdaten

Die Anpassung der Fahrzeug- und Mobilitätsdaten wurde in zwei Teilmodule getrennt,

die im Folgenden nacheinander behandelt werden.

Modul 2.1: Anpassung der Fahrzeugdaten

Abbildung 6: Flow Chart – Modul 2.1: Anpassung der Fahrzeugdaten.

Sortieren der Fahrzeug-Daten

Die Fahrzeugdaten werden aufsteigend nach Haushalts-ID (ID) und innerhalb der

Haushalte nach PKWNR sortiert. Die PKWNR wird in den MOP-Daten nach absteigender

geschätzter Jahresfahrleistung vergeben, sodass die kleinste PKWNR der größten Fahr-

leistung entspricht.

38 Die Codierung wird später ausführlicher behandelt.


37

Verbessern der Fahrzeugsortierung nach Fahrleistung

Bei einigen Fahrzeugen ist keine Angabe zur Jahresfahrleistung vorhanden39. Da die Sor-

tierung der Fahrzeuge innerhalb eines Haushalts später eine wichtige Rolle bei der Zu-

ordnung der gefahrenen Strecken spielt, werden bei fehlenden Angaben die Fahrzeuge

des Haushalts neu sortiert. Dazu wird anhand der Tankbücher die durchschnittlich ge-

fahrene Strecke pro Woche (KMpWoche) im Berichtszeitraum betrachtet.

Ergänzen fehlender Angaben zum Fahrzeug-Segment

Bei einigen Fahrzeugen fehlt die Angabe des Fahrzeug-Segments nach KBA-

Klassifikation (SEGMENT). Die spätere Fahrzeugsubstitution richtet sich nach diesem

Segment, deshalb wird bei den Fahrzeugen, bei denen Informationen zur Leistung (PS)

vorliegen, das entsprechende Fahrzeugsegment ergänzt. Die dafür verwendeten PS-

Grenzen können durch den Benutzer über die Variablen des Arrays

leistungsgrenzen modifiziert werden. Die in dieser Arbeit verwendete Einteilung

orientiert sich an den von Hacker et. al. (2011, S. 26) verwendeten Grenzen, welche in

Tabelle 5 zusammengefasst sind.

Tabelle 5: Leistungsgrenzen zur Zuordnung der KBA-Segmente.

Kraftstoff Leistung in PS KBA-Segment (MOP-Codierung)

Alle < 68 Mini (1)

Alle 68 – 102 Kleinwagen (2)

Alle 102 – 163,2 Kompaktklasse (3)

Benzin, … 163,2 – 231,2 Mittelklasse (4)

Diesel 163.2 – 204 Mittelklasse (4)

Benzin, … ≥ 231,2 Obere Mittelklasse (5)

Diesel ≥ 204 Obere Mittelklasse (5)

Quelle: (Hacker et al. 2011, S. 26)

Ergänzen fehlender Fahrzeuge der Haushalte

Die Anzahl der berichteten Fahrzeuge pro Haushalt in den Fahrzeugdaten stimmt oft

nicht mit der angegebenen Anzahl bei den Mobilitätsdaten (PKWHH) überein, da die

Haushalte nicht für alle Fahrzeuge ein Tankbuch führen müssen und sich der Pkw-

Bestand in der halbjährigen Pause zwischen den Befragungen verändern kann.

39 KMJAHR = -9.


38

In dieser Arbeit wird von einem gleichbleibenden Mobilitätsbedarf der Haushalte ausge-

gangen. Damit bilden die Mobilitätsdaten die Ausgangsbasis der Untersuchungen, sodass

die Fahrzeugliste an die Angabe PKWHH aus den Mobilitätsdaten angepasst wird. Für

fehlende Fahrzeuge wird eine neue Zeile ergänzt, welche am Fahrzeugsegment „-10“

erkennbar ist, wohingegen überflüssige Fahrzeugdaten entfernt wurden40.

Modul 2.2: Anpassung der Mobilitätsdaten

Abbildung 7: Flow Chart – Modul 2.2: Anpassung der Mobilitätsdaten.

Zuordnung Wege – Fahrzeuge: Personen, die sich ein Fahrzeug teilen müssen

Ein großes Problem bei der Verwendung der MOP-Daten ist, dass die befragten Haushal-

te nicht angeben, welches der zur Verfügung stehenden Fahrzeuge die einzelnen Perso-

nen für ihre Pkw-Strecken nutzen. Also müssen zunächst die einzelnen Strecken den

Fahrzeugen zugeordnet werden, um daraus Parkprofile ableiten zu können.

Dazu werden in den Mobilitätsdaten zwei Spalten ergänzt: Falls die Strecken zweier

Personen zusammengelegt werden gibt PERSNR2 die Personennummer an, der die

Strecken zugeordnet wurden (siehe nächster Absatz), PKWNR gibt die Fahrzeugnummer

des Haushalts an, mit der die Strecke zurückgelegt wurde. Die Reihenfolge der Numme-

rierung entspricht dabei der Sortierung der Fahrzeugliste (tblFzg) nach absteigender

Fahrleistung. Damit ist über die PKWNR eine Zuordnung der beiden Datensätze möglich.

Zunächst wird dazu der komplizierteste Fall betrachtet, nämlich wenn an einem Be-

richtstag mehr Personen Wege als Fahrer mit dem Pkw zurücklegen, als dem Haushalt

Fahrzeuge zur Verfügung stehen (PKWHH – TAG_FAHRER = DIFF < 0).

Ist nur ein Fahrzeug vorhanden (PKWHH == 1) werden unabhängig von der fahrenden

Person alle Strecken diesem Fahrzeug zugeordnet (PKWNR == 1) 41. Bei mehr als ei-

nem Pkw werden iterativ die zurückgelegten Strecken zweier Personen mit Hilfe der

40 Dieser Fall tritt nur sehr selten auf. 41 Ob die Fahrten so durchführbar sind wird am Ende der Zuordnung kontrolliert.


39

Variable PERSNR2 zusammengeführt, bis die Anzahl benötigter und vorhandener Fahr-

zeuge übereinstimmt (DIFF = 0). Dazu werden die Strecken der Personen, die mög-

lichst wenig Kilometer am Berichtstag zurücklegen über eine identische PERSNR2 zu

einem gemeinsamen Mobilitätsprofil zusammengeführt. Zunächst untersucht der Algo-

rithmus, ob zwei Personen am Berichtstag nur nacheinander ein Fahrzeug benötigen.

Falls nicht wird geprüft, ob eine Person sämtliche Wege zurücklegen kann, nachdem

eine andere Person zu Hause angekommen ist und bevor diese die nächste Strecke zu-

rücklegt. So konnten bei den untersuchten MOP-Daten in fast allen Haushalten die An-

zahl benötigter Fahrzeuge der tatsächlich vorhandenen Anzahl angeglichen werden.

Haushalte, denen an einem Berichtstag nach Durchlaufen des Algorithmus immer noch

zu wenig Fahrzeuge zur Verfügung stehen (DIFF < 0) werden aus den Mobilitäts- und

Fahrzeugdaten entfernt und im Folgenden nicht weiter betrachtet (siehe 3.3.1).

Zuordnung Wege – Fahrzeuge: Vergeben der Pkw-Nummer

Nachdem im vorherigen Abschnitt sichergestellt wurde, dass den Haushalten für die

täglichen (zusammengeführten) Mobilitätsprofile der Personen ausreichend Fahrzeuge

zur Verfügung stehen, werden nun die Fahrzeuge den Personen zugeordnet. Im ersten

Schritt wird geprüft, ob über die gesamte Woche höchstens so viele Fahrer42 wie Fahr-

zeuge vorhanden sind (woche_fahrer <= PKWHH). Falls ja wird den Mobilitätsprofi-

len nach absteigender wöchentlicher Fahrleistung eine PKWNR zugeordnet. Andernfalls

wird die PKWNR für jeden Berichtstag unabhängig von den übrigen Tagen nach täglicher

Fahrleistung vergeben. Diese Vorgehensweise kann zu einer leichten Überauslastung

der Fahrzeuge führen, da in Haushalten mit mehr Fahrzeugen als Fahrern „überflüssi-

gen“ Fahrzeugen keine Wege zugeordnet werden.

Formatieren des Datums und der Uhrzeit

In den MOP-Daten ist das Datum der aufgezeichneten Wege im Format „ddmmyy“ ange-

geben. Um die Zahl, die das Datum angibt auf- und absteigend sortieren zu können, wird

das Format in „yymmdd“ umgewandelt. Außerdem wird in den beiden Variablen

ABZEITmin und ANZEITmin die Abfahrts- und Ankunftszeit der Strecken in vergange-

nen Minuten seit Wochenbeginn gespeichert. Dabei wird berücksichtigt, falls Wege erst

am Folgetag enden. Wenn Strecken erst in der folgenden Berichtswoche enden würden,

42 Hierfür werden die zusammengelegten Mobilitätsprofile mit der Nummerierung PERSNR2 betrachtet.


40

wird die Ankunftszeit auf den Beginn der Woche gesetzt. Ist dies nicht möglich endet die

Fahrt eine Minute vor Beginn der ersten Strecke in der Woche.

Zuordnung Wege – Fahrzeuge: Plausibilitätscheck

Zunächst werden die Mobilitätsdaten innerhalb der Haushalte nach PKWNR und der Ab-

fahrtszeit ABZEITmin sortiert. Anschließend wird sichergestellt, dass sich die aufei-

nanderfolgenden Fahrten nicht überschneiden, indem in fehlerhaften Haushalten die

Mobilitäts- und Fahrzeugdaten der Haushalte gelöscht werden. Durch eine Anpassung

fehlerhafter Angaben in den in der Datenbank gespeicherten MOP-Daten kann die An-

zahl der so gelöschten Datensätze reduziert werden (siehe 3.3.1).

Ergänzen des letzten Heimwegs

Für die Erzeugung der Ladeprofile wird davon ausgegangen, dass die Haushalte ihr wö-

chentliches Mobilitätsverhalten nach dem Ende des Berichtszeitraums beibehalten. Des-

halb wird abschließend sichergestellt, dass die letzte Fahrt der Fahrzeuge in der berich-

teten Woche zu Hause endet43. Dazu wird zunächst angenommen, dass der Fahrtzweck

„Rundkurs“ (ZWECK = 77) dem Zweck „nach Hause“ (ZWECK = 7) und „Keine Anga-

be“ (ZWECK = 99) dem Zweck „Anders“ (ZWECK = 8) entspricht und entsprechende

Einträge werden in tblWege korrigiert.

Anschließend wird für jedes Fahrzeug überprüft, ob am Ende des Berichtszeitraums ein

Weg, der zu Hause endet, ergänzt werden muss. Wenn ja wird die letzte gefahrene Stre-

cke als Heimweg mit derselben Fahrtstrecke und Fahrtdauer kopiert. Die erwartete

Verweildauer am Aufenthaltsort zwischen den beiden Fahrten wird berechnet, indem

die übrigen Verweildauern des Pkws nach Fahrten mit demselben Zweck gemittelt wer-

den. Liegen neben der letzten Fahrt keine weiteren Fahrten mit dem Zweck vor, wird

eine zuvor berechnete durchschnittliche Verweildauer nach Fahrtzweck verwendet, die

die Mobilitätsdaten aller Fahrzeuge berücksichtigt.

Liegt die so ermittelte Ankunftszeit des ergänzten Heimwegs nach der Abfahrzeit des

ersten berichteten Weges, wird die Verweildauer reduziert, sodass die Ankunftszeit eine

Minute vor der Abfahrt ist. Falls auch dies nicht möglich ist wird die letzte Fahrt vor dem

Heimweg gelöscht und der Algorithmus für den vorherigen Weg nochmal durchlaufen.

43 Als Heimweg werden Fahrten mit dem Fahrtzweck „nach Hause“ (ZWECK = 7), „Weg nach außer Haus, z.B.

Ferienwohnung oder Hotel“ (ZWECK = 9) und „Weg zum 2. Wohnsitz“ (ZWECK = 10) gezählt.


41

Aktualisieren der Fahrzeugdaten: BEV-ID, Startort, Bewegt

Da nach der Anpassung der Mobilitätsdaten keine Haushalte mehr gelöscht werden,

werden nun die Fahrzeugprofile nach aufsteigender Haushalts-ID (ID) und PKWNR mit

einer eindeutigen Zahl (BEVID) beschriftet. Anschließend wird geprüft, ob dem Fahr-

zeug im Berichtszeitraum Fahrten zugeordnet wurden (wenn ja: BEWEGT = 1) und an

welchem Ort sich das Fahrzeug am Übergang zur Folgewoche befindet (STARTORT).

Außerdem werden die Fahrten in tblWege mit der zugehörigen BEVID versehen.

Fahrzeugsubstitution

Abbildung 8: Flow Chart – Modul 3: Fahrzeugsubstitution.

Abfrage der BEV-Daten

Um realistische Annahmen zu den fahrzeugspezifischen Daten „Batteriekapazität“ und

„elektrischer Verbrauch“ (und damit zur Reichweite) der verwendeten Elektrofahrzeuge

zu treffen, werden in einer Tabelle in der IIP-Datenbank (tbl_MOP_BEV) Informatio-

nen zu aktuellen batteriebetriebenen Fahrzeugmodellen gespeichert. Dort können auch

einzelne Fahrzeugmodelle für die Fahrzeugsubstitution ausgeschlossen werden (aktiv

= 0). Durch eine SQL-Abfrage werden die durchschnittlichen Herstellerangaben zu Bat-

teriekapazität und Verbrauch je Fahrzeugsegment, welche für die anschließende Fahr-

zeugsubstitution verwendet werden, ermittelt und in tblBEV gespeichert. Die derzeit in

der Datenbank enthaltenen Fahrzeugmodelle sind in Tabelle 16 im Anhang aufgeführt.

Berechnen des Standard-BEV

Die Zuordnung der Elektrofahrzeuge (BEV) zu den Fahrzeugprofilen erfolgt anhand der

angegebenen Fahrzeugsegmente. Falls vom Haushalt diesbezüglich keine Angaben ge-

macht wurden oder in der BEV-Tabelle keine Herstellerangaben zu einem Segment ge-

funden werden, werden die Batteriekapazität und der Verbrauch eines Standard-BEV

angenommen. Die Kennzahlen des Standard-BEV werden dabei mithilfe sämtlicher be-


42

rücksichtigter Herstellerangaben ermittelt, indem die durchschnittlichen Angaben je

Fahrzeugsegment nach Häufigkeit des Segments in den MOP-Daten gewichtet werden. In

Tabelle 6 sind beispielhaft die Häufigkeiten der Fahrzeugsegmente in der Erhebung aus

dem Jahr 2015/2016 aufgeführt 44. Der Benutzer hat außerdem die Möglichkeit, durch

die Konstante c_realverb den von den Fahrzeugherstellern angegebenen Verbrauch

(nach oben) zu korrigieren, bevor die Daten den Fahrzeugen zugeteilt werden.

Tabelle 6: Häufigkeit der angegebenen KBA-Segmente in den MOP-Daten 2015/2016.

Pkw-Segment ID Häufigkeit

Mini 1 5,92 %

Kleinwagen 2 19,58 %

Kompaktklasse 3 26,21 %

Mittelklasse 4 15,97 %

Obere Mittelklasse 5 2,90 %

Oberklasse 6 0,58 %

Geländewagen 7 3,54 %

Sportwagen 8 1,22 %

Mini-Van 9 6,37 %

Großraum-Van 10 5,86 %

Utility 11 3,86 %

Wohnmobil 12 0,58 %

SUV 13 5,28 %

Keine Angabe -9 2,12 %

Ergänzen der BEV- und PHEV-Angaben in den Fahrzeugdaten

Abschließend werden die oben ermittelten durchschnittlichen Werte der Fahrzeugseg-

mente bzw. des Standard-BEVs den Fahrzeugdaten zugeordnet45. Außerdem werden die

Fahrzeugdaten um die Werte eines vergleichbaren Plug-In-Hybridfahrzeugs (PHEV) er-

gänzt, dessen Batteriekapazität in einem linearen Zusammenhang mit der des BEVs

steht. PHEV verfügen meist über eine kleinere Batterie als vergleichbare BEV und damit

auch über eine geringere Reichweite46. Durch die die Variable phev_batterie wird

das Verhältnis von PHEV- zu BEV-Batteriekapazität durch den Nutzer vorgegeben.

44 Dabei werden nur die Fahrzeuge der Haushalte berücksichtigt, für die ein Tankbuch geführt wurde. 45 Die Batteriekapazität ist in kWh, der Verbrauch in kWh / 100km und die Reichweite in km angegeben. 46 Der elektrische Verbrauch von aktuellen BEV und PHEV ist hingegen ähnlich groß, daher wird hier keine

Anpassung vorgenommen.


43

Die Fahrzeugliste wird außerdem um die binäre Variable BEV erweitert, die angibt, ob

die Fahrten mit einem BEV durchgeführt werden können. Nach der Fahrzeugsubstituti-

on wird zunächst jedem Fahrzeug der Wert BEV = 1 zugeordnet, dies wird bei der Er-

zeugung der Ladeprofile ggf. korrigiert (siehe 3.2.4).

Berechnung der Ladeprofile

Die Erzeugung der Ladeprofile erfolgt in drei Schritten: Zunächst wird die verbrauchte

Energie durch die gefahrenen Strecken berechnet, daraufhin wird für jedes Zeitintervall

die verbrauchte Energie sowie die maximal aufladbare Energie in den Fahrzeugprofilen

gespeichert. Im letzten Schritt werden die Maximal- und Minimal-Ladestrategie ergänzt.

Abbildung 9: Flow Chart – Modul 4: Erzeugung der Ladeprofile.

Teil 1: Berechne verbrauchte Energie durch gefahrene Strecken

Bevor die Ladeprofile der einzelnen Fahrzeuge erstellt werden können, muss die ver-

brauchte Energie 𝐸𝐹𝑎ℎ𝑟𝑡 jedes Wegs berechnet werden. Dazu wird der Verbrauch des

Fahrzeugs aus der Tabelle tblFzg, die die Ergebnisse der Fahrzeugsubstitution enthält,

ausgelesen und die verbrauchte Energie der Strecke in tblWege gespeichert.

Teil 2: Berechne Energieverbrauch und verfügbare Energie je Intervall

Die in diesem Modul berechneten Ladeprofile werden in den beiden dreidimensionalen

Arrays profileBEV(Zeitpunkt, Wert, BEVID) und profilePHEV(…) gespei-

chert. Der Zeitabstand zwischen zwei betrachteten Zeitpunkten kann vom Benutzer

durch die Angabe intervall verändert werden, womit sich die Anzahl der Daten-

punkte je Profil ändert. Die Informationen in den verschiedenen Spalten der Ladeprofile,

die im Folgenden berechnet werden, sind in Tabelle 7 beschrieben. Die dritte Dimension

der Fahrzeugprofile gibt die BEVID an, es gibt also für jedes nach der Fahrzeugsubstitu-

tion berücksichtigte Fahrzeug zwei Ladeprofile.


44

Tabelle 7: Gespeicherte Informationen in den erstellten Ladeprofilen.

Spalte Bezeichnung Beschreibung

1 𝑡 − 1 Zeitpunkt zu Beginn des Intervalls (min seit Berichtsbeginn)

2 𝑡 Zeitpunkt am Ende des Intervalls (min seit Berichtsbeginn)

3 𝑂𝑟𝑡𝑡−1 Aufenthaltsort zu Beginn des Intervalls

4 𝑂𝑟𝑡𝑡 Aufenthaltsort am Ende des Intervalls

5 𝐸𝐹𝑎ℎ𝑟𝑡,𝑡 Durch Fahrt verbrauchte Energie im Intervall (kWh)

6 𝑃𝐿𝑎𝑑𝑒𝑠𝑡𝑎𝑡𝑖𝑜𝑛,𝑡 Maximal Verfügbare Leistung der Ladestation im Intervall (kW)

7 𝐸𝐿𝑎𝑑𝑒𝑠𝑡𝑎𝑡𝑖𝑜𝑛,𝑡 Maximal verfügbare Energie der Ladestation im Intervall (kWh)

8 𝐸𝐹𝑎ℎ𝑟𝑡,𝑡(𝑀𝑎𝑥) Durch Fahrt verbrauchte elektrische Energie im Intervall nach Ma-ximal-Strategie (kWh) 47

9 𝐸𝐹𝑎ℎ𝑟𝑡,𝑡(𝑀𝑖𝑛) Durch Fahrt verbrauchte elektrische Energie im Intervall nach Mi-nimal-Strategie (kWh) 47

10 𝑃𝐿𝑎𝑑𝑒,𝑡(𝑀𝑎𝑥) Genutzte Ladeleistung nach Maximal-Strategie (kW)

11 𝑃𝐿𝑎𝑑𝑒,𝑡(𝑀𝑖𝑛) Genutzte Ladeleistung nach Minimal-Strategie (kW)

12 𝐸𝐿𝑎𝑑𝑒,𝑡(𝑀𝑎𝑥) Geladene Energie im Intervall nach Maximal-Strategie (kWh)

13 𝐸𝐿𝑎𝑑𝑒,𝑡(𝑀𝑖𝑛) Geladene Energie im Intervall nach Minimal-Strategie (kWh)

14 𝑆𝑂𝐶𝑡(𝑀𝑎𝑥) Absoluter Ladestand des Fahrzeugs am Ende des Intervalls nach Maximal-Strategie (kWh)

15 𝑆𝑂𝐶𝑡(𝑀𝑖𝑛) Absoluter Ladestand des Fahrzeugs am Ende des Intervalls nach Minimal-Strategie (kWh)

16 𝑆𝑂𝐶𝑝𝑟𝑜𝑧𝑡(𝑀𝑎𝑥) Anteiliger Ladestand des Fahrzeugs am Ende des Intervalls nach Maximal-Strategie (%)

17 𝑆𝑂𝐶𝑝𝑟𝑜𝑧𝑡(𝑀𝑖𝑛) Anteiliger Ladestand des Fahrzeugs am Ende des Intervalls nach Minimal-Strategie (%)

Zur Berechnung der Ladeprofile der Fahrzeuge werden im ersten Schritt alle zurückge-

legten Strecken nacheinander betrachtet und in den Fahrzeugprofilen der Aufenthalts-

ort des Fahrzeugs vor und nach dem Intervall (𝑂𝑟𝑡𝑡−1 und 𝑂𝑟𝑡𝑡) durch Betrachtung des

Fahrtzwecks gespeichert. Außerdem werden der Energieverbrauch 𝐸𝐹𝑎ℎ𝑟𝑡,𝑡, die verfüg-

bare Ladeleistung 𝑃𝐿𝑎𝑑𝑒𝑠𝑡𝑎𝑡𝑖𝑜𝑛,𝑡 und die damit maximal aufladbare Energie 𝐸𝐿𝑎𝑑𝑒𝑠𝑡𝑎𝑡𝑖𝑜𝑛,𝑡

gespeichert. Der Benutzer kann dabei mit der Eingabe des Arrays laden bestimmen,

welche maximale Ladeleistung 𝑃𝐿𝑎𝑑𝑒𝑠𝑡𝑎𝑡𝑖𝑜𝑛 an den möglichen Aufenthaltsorten der Fahr-

zeuge verfügbar ist. In Tabelle 8 sind diese Aufenthaltsorte mit ihrer Codierung und ih-

rer Häufigkeit aufgelistet. Da die Aufenthaltsorte, die verbrauchte Energie und die vor-

handene Ladeinfrastruktur nicht von den Fahrzeugdaten des substituierten Elektrofahr-

47 Bei Hybrid-Fahrzeugen kann durch den Einsatz des Verbrennungsmotors die tatsächlich verbrauchte elektri-

sche Energie des Fahrzeugs von der benötigten Energie 𝐸𝐹𝑎ℎ𝑟𝑡,𝑡 für die gesamte zurückgelegte Strecke abwei-

chen.


45

zeugs abhängt, werden die ermittelten Daten zunächst nur in profileBEV gespeichert.

Und vor dem Berechnen der Ladestrategien im dritten Teil der Generierung der Lade-

profile in profilePHEV kopiert.

Tabelle 8: Verteilung der Aufenthaltsorte der Fahrzeuge.

Codierung Aufenthaltsort Zeit pro Woche Zeitanteil

0 Unterwegs (Fahren) 5h 22min 3,19 %

1 Arbeits- / Ausbildungsstätte 12h 12min 7,26 %

2 Dienstlicher Aufenthalt 1h 44min 1,03 %

3 Ausbildungsstätte 22min 0,22 %

4 Besorgung / Einkauf 2h 47min 1,66 %

5 Freizeit 5h 54min 3,51 %

6 Aufenthalt nach: Jemanden holen/bringen 58min 0,58 %

7 Zuhause 5d 16h 16min 81,11 %

8 Ort unbekannt 0min 0 %

9 außer Haus, z.B. Ferienwohnung oder Hotel 1h 56min 1,15 %

10 2. Wohnsitz 29min 0,29 %

Erfasse nächsten Weg

Sobald ein neuer Weg betrachtet wird, wird zunächst überprüft, ob der Weg noch zum

selben Fahrzeug gehört. Falls nicht wird das Fahrzeugprofil des vorherigen Fahrzeugs

vervollständigt, indem bis zum Ende des Berichtszeitraums die verfügbare Ladeleistung

und Energie pro Intervall am letzten Aufenthaltsort eingetragen wird. Anschließend

wird das Fahrzeugprofil in profileBEV abgespeichert und ein neues Fahrzeugprofil

mit 𝑂𝑟𝑡𝑡0= 𝑆𝑇𝐴𝑅𝑇𝑂𝑅𝑇(𝐵𝐸𝑉𝐼𝐷) angelegt. Unabhängig davon, ob es sich um eine neues

Fahrzeug handelt oder nicht, wird der Verbrauch pro Intervalldauer 𝐸𝐹𝑎ℎ𝑟𝑡,𝑖𝑛𝑡𝑒𝑟𝑣𝑎𝑙𝑙 an-

hand des Gesamtverbrauchs und der Fahrtdauer ermittelt.

Vor der Fahrt

Zunächst werden die Intervalle zwischen Ankunft des vorherigen Wegs und Abfahrt des

betrachteten Wegs mit der verfügbaren Ladeleistung und Energiemenge am Aufent-

haltsort befüllt (𝐸𝐹𝑎ℎ𝑟𝑡,𝑡 = 0).


46

Fahrtbeginn

Im zweiten Schritt wird das Intervall, in dem das Fahrzeug losfährt, betrachtet. Anhand

der Intervallgrenzen und der Abfahrtszeit werden anteilig die verbrauchte Energie

𝐸𝐹𝑎ℎ𝑟𝑡,𝑡 und die aufladbare Energie 𝐸𝐿𝑎𝑑𝑒𝑠𝑡𝑎𝑡𝑖𝑜𝑛,𝑡 berechnet und eingetragen. Hierbei

muss berücksichtigt werden, dass Fahrten schon innerhalb des Intervalls wieder enden

können und anschließend im selben Intervall nochmal geladen werden kann. Außerdem

kann die vorherige Fahrt erst in dem Intervall enden, in dem die betrachtete Fahrt be-

ginnt. In diesem Fall wird davon ausgegangen, dass das Fahrzeug über diese kurze Dau-

er zwischen den beiden Fahrten nicht geladen wird (ein Laden nach der zweiten Fahrt

ist jedoch möglich). Die insgesamt verbrauchte Energie 𝐸𝐹𝑎ℎ𝑟𝑡,𝑡 addiert sich dann aus

den beiden Fahrten im Intervall.

Fahrt über volles Intervall

Wenn das Fahrzeug über die gesamte Intervalldauer unterwegs ist, ist 𝐸𝐹𝑎ℎ𝑟𝑡,𝑡 =

𝐸𝐹𝑎ℎ𝑟𝑡,𝑖𝑛𝑡𝑒𝑟𝑣𝑎𝑙𝑙 und 𝑃𝐿𝑎𝑑𝑒𝑠𝑡𝑎𝑡𝑖𝑜𝑛,𝑡 = 𝐸𝐿𝑎𝑑𝑒𝑠𝑡𝑎𝑡𝑖𝑜𝑛,𝑡 = 0. Falls die Fahrt zum Ende des Inter-

valls endet, muss dies beim Aufenthaltsort 𝑂𝑟𝑡𝑡 am Ende des Intervalls berücksichtigt

werden.

Fahrtende

In dem Intervall, in dem die betrachtete Fahrt endet, werden wie bei Fahrtbeginn zu-

nächst die Zeitanteile, in denen das Fahrzeug fährt bzw. lädt und damit 𝐸𝐹𝑎ℎ𝑟𝑡,𝑡 und

𝐸𝐿𝑎𝑑𝑒𝑠𝑡𝑎𝑡𝑖𝑜𝑛,𝑡 berechnet. Wenn die nächste Fahrt des Fahrzeugs schon im selben Intervall

beginnt, wird die aufladbare Energie bei der Betrachtung des Folgewegs korrigiert. Ist

die betrachtete Strecke die letzte in tblWege muss für das letzte Fahrzeug das Fahr-

zeugprofil noch für die Intervalle nach Ende der letzten Strecke vervollständigt werden.

Erzeuge Ladeprofile für Fahrzeuge ohne Wegaufzeichnungen

Da die Profile in den vorherigen Schritten durch eine Schleife über die Mobilitätsdaten

befüllt wurden, wurden die im Berichtszeitraum unbewegten Fahrzeuge bisher nicht

berücksichtigt. Für diese Fahrzeuge werden in einer separaten Schleife die Ladeprofile

angelegt, indem in jedem Intervall die verfügbare Ladeleistung und Energiemenge ein-

getragen wird. Dabei wird davon ausgegangen, dass sich das Fahrzeug zuhause befindet.


47

Teil 3: Ergänze Ladestrategien

Nachdem anhand der Mobilitätsdaten für jedes Fahrzeug zu jedem Intervall der Aufent-

haltsort, die verbrauchte und die maximal aufladbare Energie bestimmt wurde, können

die zwischengespeicherten BEV-Profile in das Array profilePHEV übertragen werden.

Anschließend wird in diesem Schritt das Ladeverhalten unter Annahme der in Kapitel

2.3.4 näher beschriebenen Maximal- und Minimal-Ladestrategie und damit das Lastver-

schiebepotential (LVP) je Fahrzeugprofil bestimmt und in den beiden Arrays

profileBEV und profilePHEV jeweils gespeichert.

Für beide Strategien wird die tatsächlich genutzte Ladeleistung 𝑃𝐿𝑎𝑑𝑒,𝑡 und die aufgela-

dene Energie 𝐸𝐿𝑎𝑑𝑒,𝑡 im betrachteten Intervall, sowie der absolute Ladestand 𝑆𝑂𝐶𝑡 und

der anteilige Ladestand 𝑆𝑂𝐶𝑝𝑟𝑜𝑧𝑡 am Ende des Intervalls bestimmt und gespeichert. Der

relative Ladestand 𝑆𝑂𝐶𝑝𝑟𝑜𝑧𝑡 bewegt sich dabei zwischen einer vorgegebenen Ober- und

Untergrenze (soc_proz_max ≙ 𝑐𝑆𝑂𝐶𝑚𝑎𝑥 und soc_proz_min ≙ 𝑐𝑆𝑂𝐶𝑚𝑖𝑛).

Bei Hybridfahrzeugen können nach dem Erreichen des 𝑆𝑂𝐶𝑚𝑖𝑛 Strecken mit dem Ver-

brennungsmotor zurückgelegt werden. Deshalb wird zusätzlich die tatsächlich ver-

brauchte elektrische Energie für beide Ladestrategien gespeichert (𝐸𝐹𝑎ℎ𝑟𝑡,𝑡(𝑀𝑎𝑥) und

𝐸𝐹𝑎ℎ𝑟𝑡,𝑡(𝑀𝑖𝑛)). Abschließend wird überprüft, ob die Reichweite des BEV ausreicht, um

alle Strecken elektrisch zurückzulegen.

Maximal-Ladestrategie (BEV)

Zur Modellierung der Maximal-Ladestrategie wird davon ausgegangen, dass das Fahr-

zeug zu Beginn des Berichtszeitraums über einen vollen Akku verfügt (𝑆𝑂𝐶𝑡0=

𝑆𝑂𝐶𝑚𝑎𝑥). Um die aufgeladene Energie zu berechnen wird zunächst die SOC-abhängige

maximale Ladeleistung 𝑃𝑆𝑂𝐶,𝑡 und damit die maximal nutzbare Ladeleistung 𝑃𝑚𝑎𝑥,𝑡 be-

rechnet (vgl. Kapitel 2.3.3). Bei Annahme der Maximal-Ladestrategie wird davon ausge-

gangen, dass der Fahrzeugbesitzer zum frühesten möglichen Zeitpunkt sein Fahrzeug

auflädt. Es wird also die maximal aufladbare Energie in jedem Intervall berechnet und in

das Fahrzeugprofil eingetragen. Dabei ist jedoch zu beachten, dass der maximal zulässi-

ge Ladestand 𝑆𝑂𝐶𝑚𝑎𝑥 nicht überschritten wird. Es ist möglich, dass die Zeit nach der

letzten Fahrt im Berichtszeitraum nicht ausreicht, um das Fahrzeug bis zum Wochen-

übergang bis zum maximalen SOC zu laden. Daher wird das Ladeverhalten für mehrere

Wochen fortlaufend untersucht, bis sich ein Gleichgewicht im Ladeverhalten einstellt.


48

Minimal-Ladestrategie (BEV)

Zur Anwendung der Minimal-Ladestrategie wird zunächst der Zeitpunkt ermittelt, an

dem das Fahrzeug bei Anwendung der Maximal-Ladestrategie den niedrigsten Lade-

stand erreicht (soc_kleinst_row). Es wird angenommen, dass zu diesem Zeitpunkt

der Ladestand bei Minimal-Ladestrategie gerade dem minimal möglichen Ladestand

entspricht (𝑆𝑂𝐶𝑡 = 𝑆𝑂𝐶𝑚𝑖𝑛). Ausgehend von diesem Zeitpunkt wird durch eine Rück-

wärtsiteration48 das Ladeverhalten unter Annahme einer Minimalstrategie bestimmt.

Die in einem Intervall verbrauchte Energie wird zum vorherigen Zeitpunkt addiert und

die maximal aufladbare Energie subtrahiert, sodass ein spätmöglichstes Laden model-

liert wird. Dabei ist jedoch zu beachten, dass der Ladestand nicht außerhalb der vom

Benutzer festgelegten Grenzen liegen darf (𝑆𝑂𝐶𝑡 ∈ [𝑆𝑂𝐶𝑚𝑖𝑛, 𝑆𝑂𝐶𝑚𝑎𝑥] ∀ 𝑡 ∈ 𝑇).

Bei der Rückwärtsiteration wird außerdem geprüft, ob die Reichweite des Fahrzeugs in

Kombination mit den Lademöglichkeiten zwischen den Fahrten ausreicht, um alle Fahr-

ten mit einem Elektrofahrzeug zurückzulegen. Eine zu geringe Reichweite lässt sich

dadurch erkennen, dass der mindestens benötigte Ladestand (Minimal-Ladestrategie)

über dem maximal möglichen Ladestand (Maximal-Ladestrategie) liegt (Kaschub 2017):

𝑆𝑂𝐶𝑡(𝑀𝑖𝑛) > 𝑆𝑂𝐶𝑡(𝑀𝑎𝑥) ⟹ 𝑀𝑜𝑑𝑒𝑙𝑙𝑖𝑒𝑟𝑢𝑛𝑔 𝑎𝑙𝑠 𝐵𝐸𝑉 𝑛𝑖𝑐ℎ𝑡 𝑚ö𝑔𝑙𝑖𝑐ℎ.

Maximal-Ladestrategie (PHEV)

Die Berechnung der Maximal-Ladestrategie bei PHEVs erfolgt analog zum Vorgehen bei

BEVs, jedoch wird ein Unterschreiten von 𝑆𝑂𝐶𝑚𝑖𝑛 durch zu lange Strecken verhindert,

da in diesem Fall das Hybridfahrzeug mit dem Verbrennungsmotor weiterfahren würde.

In diesem Fall weicht also die verbrauchte elektrische Energie 𝐸𝐹𝑎ℎ𝑟𝑡,𝑡(𝑀𝑎𝑥) von der

insgesamt verbrauchten Energie 𝐸𝐹𝑎ℎ𝑟𝑡,𝑡 ab.

Minimal-Ladestrategie (PHEV)

Die Berechnung der Minimal-Ladestrategie bei PHEVs erfolgt analog zum Vorgehen bei

BEVs, jedoch wird verhindert, dass der Ladestand nach Minimal-Ladestrategie den ma-

ximal möglichen Ladestand übersteigt, indem diese, wenn nötig, gleichgesetzt werden

und die verbrauchte elektrische Energie 𝐸𝐹𝑎ℎ𝑟𝑡,𝑡(𝑀𝑖𝑛) entsprechend angepasst wird.

48 Der Ausgangs-Zeitpunkt liegt i.d.R. innerhalb des Berichtszeitraums, deshalb wird die Rückwärtsiteration in

zwei Teilen durchgeführt: Zunächst bis zum Beginn des Berichtszeitraums und dann vom Ende des Berichtszeit-

raums bis zum Ausgangs-Zeitpunkt.


49

Wandle, wenn nötig BEV in PHEV um

Nachdem zuvor bereits überprüft wurde, ob die Fahrten dem zugeordneten BEV durch-

geführt werden können, werden nun die Ladeprofile der Fahrzeuge mit zu geringer

Reichweite durch die Ladeprofile der jeweiligen Plug-In-Hybridfahrzeuge aus

profilePHEV ersetzt (Vermerk in den Fahrzeugdaten: BEV = 0). Da diese neben dem

in der Batterie gespeicherten Strom auch zugetankten Kraftstoff zur Fortbewegung nut-

zen können entfällt bei diesen das Reichweitenproblem.

Fahrzeugaggregation und Auswertungen

Abbildung 10: Flow Chart – Modul 5: Fahrzeugaggregation.

Im letzten Modul werden die Fahrzeugprofile der betrachteten Haushalte zu einer haus-

haltsübergreifenden Fahrzeugflotte zusammengefasst. Dazu werden die Gewichtungs-

faktoren der Haushalte aus den MOP-Daten berücksichtigt, außerdem kann der Benut-

zer Angaben zur Marktdurchdringung von Elektro- und Plug-In-Hybridfahrzeugen ma-

chen: Für die Fahrzeuge, deren Mobilitätsverhalten einen Einsatz eines vergleichbaren

BEVs ermöglichen, geben c_BEV_BEVio und c_PHEV_BEVio jeweils den Marktanteil

für Elektro- und Hybridfahrzeuge an. Durch c_PHEV_BEVnio wird der Marktanteil der

Hybridfahrzeuge an der Anzahl Fahrzeugen, für die der Einsatz eines BEVs aufgrund zu

geringer Reichweite nicht möglich ist, angegeben. Außerdem werden weitere Auswer-

tungen der erzeugten Ladeprofile durchgeführt.

Fahrzeugflotte und Standardlastprofile

Im Modul Fahrzeugaggregation wird neben der gesamten Fahrzeugflotte (fahrzeug-

flotte), die alle von den Haushalten angegebenen Fahrzeuge berücksichtigt, auch eine

Fahrzeugflotte betrachtet, die nur Fahrzeuge einschließt, die im Berichtszeitraum auch

tatsächlich Strecken zurücklegen (fahrzeugflotte_bew).


50

Die Spaltenwerte der beiden Fahrzeugflotten, die für jedes Intervall durch Aufsummie-

ren der einzelnen gewichteten Ladeprofile berechnet werden, können für verschiedene

Anwendungen interpretiert werden. Tabelle 9 gibt einen Überblick über die berechne-

ten Kennzahlen und eine mögliche Interpretation.

Tabelle 9: Enthaltene Informationen der aggregierten Fahrzeugflotte.

Spalte Bezeichnung Beschreibung / Interpretation

1 𝑡 − 1 Zeitpunkt zu Beginn des Intervalls (min seit Berichtsbeginn)

2 𝑡 Zeitpunkt am Ende des Intervalls (min seit Berichtsbeginn)

3 Σ (𝐸𝐹𝑎ℎ𝑟𝑡,𝑡) Durch Fahrten verbrauchte Energie (kWh)

4 Σ (𝑃𝐿𝑎𝑑𝑒𝑠𝑡𝑎𝑡𝑖𝑜𝑛,𝑡) Maximal Verfügbare Leistung der Ladeinfrastruktur (kW)

5 Σ (𝐸𝐿𝑎𝑑𝑒𝑠𝑡𝑎𝑡𝑖𝑜𝑛,𝑡) Maximal verfügbare Energie der Ladeinfrastruktur (kWh)

6 Σ (𝐸𝐹𝑎ℎ𝑟𝑡,𝑡(𝑀𝑎𝑥)) Durch Fahrten verbrauchte elektrische Energie nach Maxi-mal-Strategie (kWh)

7 Σ (𝐸𝐹𝑎ℎ𝑟𝑡,𝑡(𝑀𝑖𝑛)) Durch Fahrten verbrauchte elektrische Energie nach Minimal-Strategie (kWh)47

8 Σ (𝑃𝐿𝑎𝑑𝑒,𝑡(𝑀𝑎𝑥)) Genutzte Ladeleistung nach Maximal-Strategie (kW)

9 Σ (𝑃𝐿𝑎𝑑𝑒,𝑡(𝑀𝑖𝑛)) Genutzte Ladeleistung nach Minimal-Strategie (kW)

10 Σ (𝐸𝐿𝑎𝑑𝑒,𝑡(𝑀𝑎𝑥)) Geladene Energie nach Maximal-Strategie (kWh)

11 Σ (𝐸𝐿𝑎𝑑𝑒,𝑡(𝑀𝑖𝑛)) Geladene Energie nach Minimal-Strategie (kWh)

12 Σ (𝑆𝑂𝐶𝑡(𝑀𝑎𝑥)) Summierter absoluter Ladestand aller Fahrzeuge nach Maxi-mal-Strategie (kWh)

13 Σ (𝑆𝑂𝐶𝑡(𝑀𝑖𝑛)) Summierter absoluter Ladestand aller Fahrzeuge nach Mini-mal-Strategie (kWh)

14 avg(𝑆𝑂𝐶𝑝𝑟𝑜𝑧𝑡(𝑀𝑎𝑥)) Durchschnittlicher relativer Ladestand nach Maximal-Strategie (%)

15 avg(𝑆𝑂𝐶𝑝𝑟𝑜𝑧𝑡(𝑀𝑖𝑛)) Durchschnittlicher relativer Ladestand nach Minimal-Strategie (%)

16 Σ (𝑆𝑂𝐶𝑡(𝑀𝑎𝑥))

Σ (𝐸𝐵𝑎𝑡)

Summierter absoluter Ladestand nach Maximal-Strategie im Verhältnis zu der Batteriekapazität der Fahrzeugflotte

17 Σ (𝑆𝑂𝐶𝑡(𝑀𝑖𝑛))

Σ (𝐸𝐵𝑎𝑡)

Summierter absoluter Ladestand nach Minimal-Strategie im Verhältnis zu der Batteriekapazität der Fahrzeugflotte

Auf Basis der betrachteten Fahrzeugflotte werden sogenannte Standardlastprofile

(standardlastprofil und standardlastprofil_bew) berechnet, die die auf-

summierten Werte der Fahrzeugflotte durch die Anzahl der Fahrzeuge dividiert. Das

Standardlastprofil bildet somit das durchschnittliche Mobilitäts- und Ladeverhalten aller

betrachteten Fahrzeuge ab.


51

Aufenthaltsort und Aufenthaltsdauer

Für die berechneten Mobilitätsprofile werden in diesem Abschnitt Auswertungen hin-

sichtlich des Aufenthaltsorts und der Aufenthaltsdauer durchgeführt. Auch hierbei wird

zwischen der Betrachtung aller Fahrzeuge und der Betrachtung der bewegten Fahrzeu-

ge unterschieden (aufenthaltsorte, aufenthaltsdauer, aufenthalts-

orte_bew, aufenthaltsdauer_bew).

Zur Auswertung der Aufenthaltsorte wird für jedes Intervall und jeden möglichen Auf-

enthaltsort (0 – 10, siehe Tabelle 8) unter Berücksichtigung der Gewichtungsfaktoren

und der angegebenen Marktdurchdringung die Anzahl der Fahrzeuge am jeweiligen

Aufenthaltsort bestimmt.

Bei der Berechnung der Aufenthaltsdauer an den möglichen Aufenthaltsorten wird die

insgesamte Aufenthaltsdauer aller betrachteten Fahrzeuge und die Anzahl der Aufent-

halte bestimmt. Die durchschnittliche Aufenthaltsdauer kann also als Quotient der bei-

den Werte ermittelt werden. Bei der Betrachtung der Aufenthaltsdauern wird zwischen

Aufenthalten an Werktagen und am Wochenende unterschieden.

Genutzte Ladeinfrastruktur

Im letzten Abschnitts des Moduls wird die genutzte Ladeinfrastruktur ausgewertet. In

Anlehnung an die benötigten Auswertungen in Kapitel 4 wird in die verschiedenen

Gruppierungen der Ladeorte Charging near Home, Charging near Work und Public

Charging unterschieden (siehe 4.1.3), wobei eine Anpassung der Gruppierung im Code

des Moduls möglich ist. Zu den verschiedenen Gruppen und zur Kombination aller Lade-

gruppen wird zu jedem Intervall die summierte Ladeleistung und geladene Energie aller

betrachteten Fahrzeuge bestimmt. Dabei wird nochmals unterteilt in verfügbare Leis-

tung/Energie, Maximal- und Minimal-Strategie. Die Ergebnisse werden im Array

laden_orte gespeichert.

Eine Auswertung der Anteile der verschiedenen Lademöglichkeiten an der insgesamt

geladenen Energie bei ungesteuertem Laden erfolgt nach Aufenthaltsorten im Array

nutzung_ladeinfrastruktur. Bei dieser Auswertung wird zwischen Werktagen,

Samstagen und Sonntagen unterschieden.


52

3.3. Kritische Betrachtung

Dieses Unterkapitel widmet sich Fehlerquellen und Schwächen der durchgeführten Mo-

dellierung und beurteilt deren Auswirkungen auf die Plausibilität der Ergebnisse. Dabei

wird zunächst auf die Mängel der verwendeten Daten aus der MOP-Erhebung eingegan-

gen, anschließend werden getroffene Annahmen diskutiert.

Verwendete Daten

Abstand zwischen Haushalts- und Fahrzeugbefragung, fehlende Tankbücher

Wie in Kapitel 2.1 bereits beschrieben liegt zwischen der Befragung zu den Mobilitäts-

und Haushaltsdaten und der Aufzeichnung der Tankbücher etwa ein halbes Jahr. In die-

sem Zeitraum kann sich die Zusammensetzung des Fahrzeugbestands oder sogar die

Anzahl der im Haushalt lebenden Personen und damit deren Mobilitätsverhalten verän-

dern. Die Modellierung in dieser Arbeit konzentriert sich daher vor allem auf das erfrag-

te Mobilitätsverhalten aus der Herbst-Befragung und verwendet die zu diesem Zeit-

punkt angegebene Anzahl an Pkws im Haushalt. Aus den Tankbüchern werden nur die

fahrzeugspezifischen Daten der Fahrzeuge des Haushalts, für die ein Tankbuch geführt

wurde49 zur Fahrzeugsubstitution verwendet. Fehlende Fahrzeuge werden ergänzt (sie-

he 3.2.2 und 3.2.3). Dies hat einen geringen negativen Einfluss auf die Genauigkeit der

abgebildeten Fahrzeugflotte, jedoch wird dem durch eine detaillierte Fahrzeugsubstitu-

tion (s. unten) entgegengewirkt.

Zuordnung Wege-Fahrzeuge

Ein großer Mangel der verwendeten MOP-Daten ist, dass die zu ihrem Mobilitätsverhal-

ten befragten Personen nicht angeben, mit welchem der verfügbaren Fahrzeuge sie die

Pkw-Strecken zurückgelegt haben. Eine nachträgliche Zuordnung auf Basis eines Algo-

rithmus ist nicht nur aufwendig und kompliziert, sondern bildet auch niemals vollstän-

dig die Realität ab. Vor allem wenn im Haushalt mehrere Pkw zur Verfügung stehen und

noch mehr Personen regelmäßig die Pkws verwenden ist eine sinnvolle Zuordnung ohne

eine nähere Untersuchung jedes einzelnen betroffenen Haushalts schwierig. Da der für

diese Arbeit geschriebene Algorithmus auch für zukünftige Datensätze verwendet wer-

den soll lag die oberste Priorität darauf, die Zuordnung so durchzuführen, dass die er-

zeugten Fahrzeugprofile zur Modellierung des Ladevorgangs verwendet werden kön-

49 In vielen Haushalten wurde nicht für jeden im Haushalt vorhandenen Pkw ein Tankbuch geführt.

3.3 Kritische Betrachtung

53

nen. Eine weitere Schwäche der erfolgten Zuordnung ist, dass in Haushalten, in denen

die Anzahl vorhandener Pkw die benötigte Fahrzeuganzahl übersteigt, trotzdem nur die

notwendige Anzahl an Pkw verwendet wird, da eine Verteilung der Fahrten einer Person

auf mehrere Fahrzeuge sehr ungenau und aufwendig wäre. Die bewegten Fahrzeuge

sind in diesem Fall also etwas „überbelastet“.

Um die Zuordnung trotzdem möglichst genau zu gestalten, wurde darauf geachtet, dass

- Personen wenn möglich über die gesamte Woche dasselbe Fahrzeug verwenden,

- Wenn nötig sich Personen mit einem möglichst geringen Mobilitätsbedarf ein

Fahrzeug teilen und

- Die Zuordnung der Personen zu den Fahrzeugen sich an der jeweiligen Fahrleis-

tung orientiert.

Hinzufügen und Entfernen von Datensätzen

Der unbehandelte Datensatz aus der MOP-Erhebung 2015/2016 umfasste 1425 Haus-

halte, 1553 Fahrzeuge und 30883 Wegen mit dem Pkw. In Tabelle 10 ist die Anzahl der

bei der Anwendung des Algorithmus gelöschten oder künstlich hinzugefügten Datensät-

ze aufgeführt:

Tabelle 10: Anzahl der Veränderungen der MOP-Daten.

Grund Haushalte Fahrzeuge Wege

Überflüssiges Tankbuch 0 -5 0

Fehlendes Tankbuch 0 +609 0

Keine Personen-Fahrzeug-Zuordnung -5 -11 -311

Plausibilitätscheck Abfahrt/Ankunft -41 -48 -1136

Letzte Fahrt endet nicht zuhause, Fahrt kann nicht ergänzt werden

0 0 -16

Letzte Fahrt endet nicht zuhause, Fahrt kann er-gänzt werden

0 0 +54

Gesamt -48 +545 -1409

Es fällt auf, dass vor allem die Anzahl gelöschter Datensätze bei Durchführung des Plau-

sibilitätschecks unzureichend groß ist. Die Menge der entfernten Datensätze bei nicht

durchführbarer Personen-Pkw-Zuordnung ist auf besonders komplexe Haushalts-bzw.

Mobilitätssituationen (viele Fahrzeuge und zurückgelegte Strecken) zurückzuführen.


54

Bei näherer Betrachtung der problematischen Haushalte beim Plausibilitätscheck fällt

auf, dass in fast allen betroffenen Haushalten nur ein Pkw vorhanden ist und die berich-

teten Fahrten mit nur diesem angegebenen Fahrzeug nicht durchführbar sind. Ein häufi-

ger Grund dafür ist, dass einzelne Fahrten von zwei verschiedenen Personen des Haus-

halts angegeben wurden oder dass Fahrten sich um wenige Minuten überschneiden. In

diesen Fällen können die Daten in den Wegtagebüchern nachträglich bereinigt werden.

Für die MOP-Erhebung 2015/2016 konnten so durch Verbesserungen der Weg-Datei die

Daten von 22 Haushalten, 22 Fahrzeugen und 535 Wegen erhalten bleiben und damit

die Repräsentativität der Daten deutlich erhöht werden. Diese bereinigten Daten wer-

den in den Auswertungen in Kapitel 4 verwendet.

Einfluss des Zeitpunkts und der Zeitdauer der Erhebung

Abschließend muss berücksichtigt werden, dass die Mobilitätsdaten alle in einem ähnli-

chen Zeitraum (September oder Oktober) erhoben wurden. Das Mobilitätsverhalten,

und insbesondere die Wahl des Verkehrsmittels kann zum Beispiel witterungsbedingt

oder durch Ferienzeiten schwanken. Dies wird in den erhobenen Daten allerdings nicht

berücksichtigt und macht daher die Annahme der exakten Fortführung des Mobilitäts-

verhaltens unplausibler.

Dass die MOP-Erhebung über einen Zeitraum von insgesamt einer Woche das Mobili-

tätsverhalten abbildet qualifiziert sie für Untersuchungen mehr als tagesbasierte Erhe-

bungen (z.B. Mobilität in Deutschland), da auch das Verhalten über Nacht abgebildet

wird und für jedes genutzte Fahrzeug zwischen Werktags- und Wochenend-Verhalten

unterschieden werden kann.

Dennoch ist die Annahme, dass das Mobilitätsverhalten der berichteten Woche auch

zukünftig genauso fortgeführt wird, ungenau und macht die Ergebnisse anfällig für be-

sondere Ereignisse wie die Reparatur des Pkw, Urlaub, usw. In den MOP-Daten wird

zwar erfragt, ob solche Besonderheiten im Berichtszeitraum vorgefallen sind, jedoch

wurde für die Modellierung entschieden, dass die geringe Anzahl solcher Besonderhei-

ten auch in den Ladeprofilen abgebildet werden und nicht eliminiert werden soll.

3.3 Kritische Betrachtung

55

Getroffene Annahmen

Fahrzeugsubstitution

Die Elektrofahrzeuge werden den herkömmlichen Fahrzeugdaten (wenn möglich) an-

hand des KBA-Segments zugeteilt. Es gibt einige weitere Einflussfaktoren auf die Kau-

fentscheidung eines Elektrofahrzeugs, das ein herkömmliches Fahrzeug ersetzen soll,

jedoch werden durch Betrachtung des Fahrzeugsegments gleich mehrere Kriterien eini-

germaßen zuverlässig abgebildet: Sitzplätze und Stauraum, Komfort, Antriebsleistung,

Preisklasse und Serviceangebot. Die Verknüpfung von aktuellen tatsächlichen Fahr-

zeugwerten, der Zuordnung nach dem Fahrzeugmerkmal „Segment“ und der Korrek-

turmöglichkeit der Herstellerangaben hinsichtlich des Verbrauchs erzeugen eine mög-

lichst detaillierte Abbildung der Realität und auch bei fehlendem Segment wird durch

die Gewichtung nach Häufigkeit des Segments die Zusammensetzung der tatsächlichen

Fahrzeugflotte berücksichtigt.

Die gesammelten Informationen zu aktuellen Elektrofahrzeugen in der Datenbank lie-

ßen sich auch noch um Herstellerdaten für Plug-In-Hybridfahrzeuge erweitern. Die ak-

tuelle Marktsituation der PHEVs ist jedoch noch sehr viel unübersichtlicher und die Kau-

fentscheidung daher meist noch deutlich individueller, weshalb in dieser Arbeit darauf

verzichtet wurde und die Batteriekapazität in ein lineares Verhältnis zu der eines reinen

Elektrofahrzeugs gesetzt wurde (in dieser Arbeit: 33,3%).

Gleichbleibendes Mobilitätsverhalten bei Verwendung des E-Pkws

Bei der Erstellung der Fahrzeugprofile wird davon ausgegangen, dass das Mobilitätsver-

halten der Personen trotz einem Umstieg auf ein (teil-)elektrisch betriebenes Fahrzeug

unverändert bleibt. Der Wechsel des Antriebs und der Lademöglichkeiten könnte aber

Einfluss auf die Fahrtzeiten haben und mit einem flächendeckenden Ausbau der Infra-

struktur könnte zukünftig eine verstärkte Nutzung von Schnellladevorgängen eine Rolle

bei der Routenplanung spielen. Nicht zuletzt könnte die Nutzung des Elektrofahrzeugs

einen Verdrängungseffekt auf andere Verkehrsmittel wie ÖPNV oder Fahrrad ausüben,

oder das Elektrofahrzeug nur als zusätzlicher Zweitwagen neben einem herkömmlichen

Pkw verwendet werden (Holtsmark und Skonhoft 2014).


56

Nutzung der Ladeinfrastruktur

Die Annahme, dass alle zukünftigen Besitzer eines Elektrofahrzeugs über dieselbe Lad-

einfrastruktur (bspw. Zuhause) verfügen, erscheint zunächst sehr unrealistisch, jedoch

besteht die Möglichkeit, die untersuchten Haushalte gefiltert zu betrachten und damit

unterschiedliche Annahmen zur möglichen Ladeinfrastruktur zu treffen. Die so berech-

neten Ladeprofile ließen sich anschließend wieder zu einer gesamten Fahrzeugflotte

zusammenführen. Durch die einheitliche Verwendung der Ladeinfrastruktur bleibt da-

für die Eingabe verständlich und Effekte einer Variierung lassen sich deutlich ablesen.

In der Auswertung wird außerdem nicht berücksichtigt, dass zukünftige Besitzer von

Elektrofahrzeugen durch eine vorausschauende Routenplanung und eine besser ausge-

baute Schnellladeinfrastruktur auch mit einem BEV Fahrten, die die Reichweite des

Fahrzeugs übersteigen, zurücklegen können. Eine weitere Möglichkeit für BEV-Nutzer,

insbesondere wenn diese hauptsächlich in der Innenstadt Wege zurücklegen, ist das

Nutzen von Carsharing-Services für die seltenen Strecken, die die Reichweite des Fahr-

zeugs übersteigen.

4.1 Methodik

57

Auswertungen und Ergebnisse

In diesem Kapitel wird der zuvor beschriebene MATLAB-Algorithmus mit variierenden

Nutzereingaben auf aktuelle MOP-Daten angewendet, sodass für verschiedene Haus-

haltstypen und Ladeszenarien repräsentative Ladeprofile für Deutschland erstellt, ag-

gregiert und ausgewertet werden können. Durch die Betrachtung der unterschiedlichen

Haushaltstypen wird in diesem Kapitel untersucht ob sich das Mobilitäts- und Ladever-

halten in der Stadt und auf dem Land signifikant voneinander unterscheidet.

Im ersten Unterkapitel wird die Methodik bei der Erstellung und Auswertung der Lade-

profile beschrieben. Das zweite Unterkapitel trägt die Ergebnisse der Auswertung der

Fahrzeug- und Ladeprofile zusammen. Dabei werden nacheinander das Mobilitätsver-

halten, Standardlastprofile und Lastverschiebepotentiale behandelt, wobei die Auswer-

tung nach Haushaltstyp, Ladeszenario und Wochentag erfolgt. Im letzten Unterkapitel

werden die zuvor dargestellten Ergebnisse interpretiert. Dazu werden verschiedene

Aussagen zum Mobilitätsverhalten der Haushalte und dem Einfluss der Ladeinfrastruk-

tur auf das Ladeverhalten getroffen und durch die Auswertungen belegt.

4.1. Methodik

In diesem Unterkapitel wird die Vorgehensweise zur Untersuchung des Mobilitäts- und

Ladeverhaltens der Haushalte in Deutschland beschrieben, um so ein besseres Ver-

ständnis der in den darauffolgenden Unterkapiteln dargestellten Ergebnisse und Inter-

pretation zu ermöglichen. Zunächst wird ein Basismodell vorgestellt, das die für alle un-

tersuchten Datensätze und Ladeszenarien gültigen Annahmen zusammenfasst. An-

schließend wird zunächst auf die 6 untersuchten Haushaltstypen, die nach Grad der Ur-

banisierung ausgewählt wurden, und danach auf die drei verschiedenen betrachteten

Ladeszenarien eingegangen. Abschließend wird die Vorgehensweise bei der Auswertung

der Mobilitäts- und Ladeprofile kurz erklärt.

4 Auswertungen und Ergebnisse

58

Basismodell

Zur Erzeugung der Ladeprofile mit dem MATLAB-Algorithmus sind nicht nur die Anga-

ben zu den in diesem Kapitel betrachteten Unterscheidungskriterien „Haushaltstyp“ und

„Ladeinfrastruktur“, sondern noch weitere Benutzereingaben nötig. Für ein besseres

Verständnis und eine Reproduzierbarkeit der Ergebnisse dieses Kapitels werden die

übrigen nicht variiertem Eingabeparameter zu einem Basismodell zusammengefasst

und im Folgenden vorgestellt.

Eingangsdaten: In allen Auswertungen werden die Datensätze der aktuellsten vorlie-

genden MOP-Erhebung aus dem Jahr 2015/2016 untersucht.

jahr = 1516;

Fahrzeugsegmente: Zur Bestimmung der fehlenden Fahrzeugsegmente nach Motorleis-

tungsklassen werden die Angaben aus Tabelle 5 verwendet.

grenze_oberemittelklasse = 231.2;

grenze_oberemittelklasse_diesel = 204;

grenze_mittelklasse = 163.2;

grenze_kompaktklasse = 102;

grenze_kleinwagen = 68;

Fahrzeugsubstitution: Für die Fahrzeugsubstitution werden die in Tabelle 16 aufge-

führten Modelle verwendet, wobei als realer Verbrauch der angegebene Verbrauch

durch die Hersteller angenommen wird. Die Batteriekapazität der PHEVs beträgt ein

Drittel der vergleichbaren BEVs.

c_realverb = 1;

phev_batterie = 1/3;

SOC-Begrenzungen: Der prozentuale SOC bewegt sich zwischen 5% und 100%.

soc_proz_min = 5;

soc_proz_max = 100;

Intervalldauer: Als Intervalldauer werden 10 Minuten verwendet.

intervall = 10;

Marktanteil: Wer ein BEV fahren kann fährt BEV, wer kein BEV fahren kann fährt PHEV.

c_BEV_BEVio = 1;

c_PHEV_BEVio = 0;

c_PHEV_BEVnio = 1;

4.1 Methodik

59

Haushaltstypen

In den Auswertungen in diesem Kapitel werden unter anderem die Auswirkungen des

Urbanisierungsgrads auf das Mobilitäts- und Ladeverhalten untersucht. Dazu werden

die untersuchten Haushalte im Folgenden in 6 Haushaltstypen50 eingeteilt. Die Unter-

scheidung erfolgt dabei nach der Selbsteinschätzung der befragten Haushalte zur Lage

ihrer Wohnung51. Die betrachteten Haushaltstypen sind:

• Typ 1: Haushalte im inneren Stadtbereich einer Großstadt

• Typ 2: Haushalte am Stadtrand / in einem Vorort einer Großstadt

• Typ 3: Haushalte im inneren Stadtbereich einer mittelgroßen Stadt

• Typ 4: Haushalte am Stadtrand / in einem Vorort einer mittelgroßen Stadt

• Typ 5: Haushalte in einer Kleinstadt / in einer großen Gemeinde

• Typ 6: Haushalte auf dem Land / in einer kleinen Landgemeinde

Die Abfrage der Fahrzeug- und Mobilitätsdaten erfolgt durch die Nutzereingabe

bedingungen_HH = 'AND tblHH.LAGE = hhtyp', wobei hhtyp für die Num-

mer des Haushaltstyps steht. Die durchschnittliche Anzahl an Personen und Fahrzeugen

je Haushaltstyp in den gewichteten MOP-Daten sind in Abbildung 11 aufgeführt.

Abbildung 11: Durchschnittliche Personen- und Pkw-Anzahl je Haushaltstyp.

50 Zusätzlich werden die Auswertungen Haushaltstyp-übergreifend durchgeführt. 51 Bei 4 Haushalten mit insgesamt 6 Fahrzeugen wurde in der Befragung 2015/2016 keine Angabe gemacht,

diese werden in den folgenden Auswertungen nicht berücksichtigt.


60

Ladeszenarien

Die Entscheidung zu einem Kauf eines Elektrofahrzeugs und das Ladeverhalten eines

Fahrzeugbesitzers wird wesentlich durch die vorhandene Ladeinfrastruktur beeinflusst.

Bei der Erzeugung der Ladeprofile gibt es die Möglichkeit, verschiedene Ladeszenarien,

die die vorhandene Infrastruktur52 beschreiben, anzugeben. Bei der Modellierung der

Ladeprofile wird davon ausgegangen, dass jeder Fahrzeugbesitzer über dieselben La-

demöglichkeiten verfügt und ggf. auch nutzt. Für die Auswertung des Mobilitäts- und

Ladeverhaltens werden im Folgenden drei verschiedene Ladeszenarien beschrieben. Die

verfügbaren Ladeleistungen 𝑃𝐿𝑎𝑑𝑒𝑠𝑡𝑎𝑡𝑖𝑜𝑛,𝑡 der drei Ladeszenarien, die im MATLAB-

Algorithmus über laden eingegeben werden, sind in Tabelle 11 zusammengefasst.

Tabelle 11: Beschreibung der 3 Ladeszenarien: Ladeleistungen je Aufenthaltsort.

Aufenthaltsort Szenario A Szenario B Szenario C

0 - Unterwegs - - -

1 - Arbeit - 3,7 kW 3,7 kW

2 - Dienstreise - - -

3 - Ausbildung - 3,7 kW 3,7 kW

4 - Einkauf - - 22 kW

5 - Freizeit - - 22 kW

6 - Serviceweg - - -

7 - Zuhause 3,7 kW 3,7 kW 3,7 kW

8 - Anders - - -

9 - Hotel - - -

10 - Außer Haus - - -

Szenario A: Charging near Home

In ersten Szenario wird davon ausgegangen, dass alle Personen ihr Elektrofahrzeug aus-

schließlich zuhause laden. Dabei steht ihnen eine Leistung von 3,7 kW zur Verfügung.

Szenario B: Charging near Home and Work

Im zweiten Szenario haben die Fahrzeugbesitzer zusätzlich die Möglichkeit, ihr Fahr-

zeug auch an der Arbeitsstelle bzw. ihrem Ausbildungsplatz zu laden. Dabei können sie

genauso wie zuhause eine Leistung von 3,7 kW nutzen.

52 In Kapitel 2.3.1 wurden verschiedene Ladesystemvarianten bereits ausführlich behandelt.

4.2 Ergebnisse

61

Szenario C: Charging near Home and Work, Public Charging

Im letzten Szenario können die Fahrzeugbesitzer zusätzlich zu den Lademöglichkeiten

mit 3,7 kW zuhause und am Arbeitsplatz auch öffentliche Ladestellen nutzen, welche an

Einkaufs- und an Freizeitsorten mit einer Ladeleistung von 22 kW vorhanden sind.

Vorgehensweise

Zunächst wurde der MATLAB-Algorithmus für die 21 möglichen Kombinationen aus

Haushaltsbedingung und Ladeszenario unter Berücksichtigung des Basismodells durch-

geführt und die so erzeugten Ergebnisse gespeichert. Die anschließenden Auswertun-

gen, die hauptsächlich auf den aggregierten Ergebnissen aus Modul 5 (siehe 3.2.5) basie-

ren, wurden in Microsoft Excel durchgeführt.

Bei den Auswertungen wurde die Gewichtung aus den MOP-Daten übernommen, um

eine möglichst genaue Repräsentativität für Deutschland zu gewährleisten. Für Aussa-

gen über die Gesamtfahrzeugflotte wurden jedoch nur die Fahrzeuge berücksichtigt,

denen im Berichtszeitraum mindestens eine gefahrene Strecke zugeordnet wurde, da

die übrigen Fahrzeuge keine Energie verbrauchen und damit auch für die Modellierung

des Energiebedarfs keine Rolle spielen.

Bei der Darstellung von Zeitverläufen (z.B. Standardlastprofile) wurden die Ergebnisse

durch die Verwendung des zentrierten einfachen gleitenden Mittelwerts 9-ter Ordnung

bei einem Zeitintervall von 10 Minuten geglättet. Bei den zeitabhängigen Untersuchun-

gen wurden die Ergebnisse außerdem in die Kategorien Werktag (Mo-Fr) und Wochen-

ende (Sa-So) unterteilt. Im Rahmen der Auswertung zeigte sich, dass zwischen Samstag

und Sonntag keine signifikanten Unterschiede im Mobilitätsverhalten der Haushalte be-

stehen, daher wurde auf eine getrennte Betrachtung verzichtet.

4.2. Ergebnisse

Im Folgenden werden die Ergebnisse der erfolgten Auswertungen der MOP-Daten aus

2015/2016 dargestellt. Dabei wird zunächst das Mobilitätsverhalten der Haushalte un-

tersucht, anschließend werden für die verschiedenen Haushaltstypen und Ladeszenari-

en Standardlastprofile erstellt. Abschließend erfolgt eine Untersuchung des Lastver-

schiebepotentials zur Optimierung des Ladevorgangs.


62

Auswertung des Mobilitätsverhaltens

Im Rahmen der Auswertung des Mobilitätsverhaltens wird nacheinander die Anzahl der

Fahrzeuge, das Verkehrsaufkommen, die Verteilung der Aufenthaltsorte der Fahrzeuge,

die Dauer der Aufenthalte und die durch die Fahrten verbrauchte Energie betrachtet.

Anzahl, Zusammensetzung und Repräsentativität der betrachteten Fahrzeuge

Jedem befragten Haushalt wird im Rahmen der MOP-Erhebung ein Hochrechnungsfak-

tor, der die Zahl der repräsentierten Haushalte in der Grundgesamtheit angibt, zugewie-

sen. Diese Hochrechnungsfaktoren gewichten die Haushalte nach Gebietsstand, Einwoh-

nerzahl des Wohnortes, Haushaltsgröße und Pkw-Besitz (Institut für Verkehrswesen,

Karlsruher Institut für Technologie 2012). Für die Gewichtung der mit dem Algorithmus

erzeugten Mobilitätsprofile wird der Hochrechnungsfaktor des Haushalts als die Anzahl

der Fahrzeuge, die ein Ladeprofil in der Grundgesamtheit repräsentiert interpretiert.

Setzt man die Anzahl abgebildeter Fahrzeuge in Verhältnis zu den Angaben zum Pkw-

Besitz in den MOP-Haushaltsdaten, die in Abbildung 11 zusammengefasst wurden, kann

man eine Aussage über die Repräsentativität der erzeugten Ladeprofile treffen. Die An-

zahl der durch die Ladeprofile repräsentierten Fahrzeuge je Haushaltstyp, deren Anteil

an der gesamten betrachteten Fahrzeugflotte und die jeweiligen Anteile an der tatsächli-

chen Fahrzeuganzahl sind in Tabelle 12 zusammengefasst. Außerdem sind in der Tabelle

die Anzahl und der Anteil der „bewegten“ Fahrzeuge, auf die sich die folgenden Auswer-

tungen hauptsächlich beziehen, angegeben.

Tabelle 12: Betrachtete Fahrzeugflotte nach Haushaltstypen.

Haushaltstyp Fahrzeuge Anteil Fahrzeuge (bewegt)

Anteil (bewegt)

Repräsentativität 53

Typ 1 3.410.643 8,17 % 2.884.539 6,91% 98,18 %

Typ 2 6.816.768 16,33 % 5.760.356 13,80% 98,50 %

Typ 3 2.949.445 7,07 % 2.428.746 5,82% 97,29 %

Typ 4 6.201.169 14,85 % 5.144.802 12,32% 97,40 %

Typ 5 10.064.008 24,11 % 8.606.227 20,62% 99,41 %

Typ 6 12.305.198 29,48 % 10.200.947 24,44% 97,35 %

Gesamt 41.747.231 100,00 % 35.025.617 83,90% 98,10 %

53 Mit der in den MOP-Daten angegebenen PKW-Anzahl der Haushalte wurde die Größe der Fahrzeugflotte der

einzelnen Haushaltstypen berechnet. Die Repräsentativität ergibt sich als Quotient aus der Anzahl der im Modell

abgebildeten Fahrzeuge und der insgesamten Fahrzeugflottengröße.

4.2 Ergebnisse

63

Verkehrsaufkommen

Um mögliche Unterschiede im Mobilitätsverhalten der Haushaltstypen zu identifizieren

wurde zunächst das Verkehrsaufkommen an Werktagen und am Wochenende betrach-

tet. Dazu ist in Abbildung 12 die durchschnittliche tägliche Streckenanzahl und die täg-

lich gefahrene Strecke pro Fahrzeug für die verschiedenen Haushaltstypen abgebildet.

Auffällig ist dabei das insgesamt höhere Verkehrsaufkommen an Werktagen und die

großen Unterschiede in der täglich gefahrenen Strecke an Werktagen zwischen Haus-

haltstyp 1 und 6. Generell liegt bei Haushalten mit geringerem Urbanisierungsgrad ten-

denziell ein höheres Verkehrsaufkommen vor.

Abbildung 12: Auswertung des durchschnittlichen Verkehrsaufkommens.

Aufenthaltsorte

Im Hinblick auf das mögliche Ladeverhalten von Elektrofahrzeug-Besitzern und die Ge-

staltung einer geeigneten Ladeinfrastruktur ist interessant, an welchen Orten sich die

Fahrzeuge zu verschiedenen Tageszeiten aufhalten. Dazu wurden die Mobilitätsprofile

ausgewertet, indem der Aufenthaltsort auf Basis des vorgehenden Wegzwecks bestimmt

wurde. Die verschiedenen möglichen Aufenthaltsorte wurden dann in Anlehnung an die

bereits vorgestellten Ladeszenarien in die Kategorien Zuhause, Arbeit, Öffentlicher Ort,

Sonstiges und Unterwegs eingeteilt 54. In Abbildung 13 ist die Verteilung der Aufenthalts-

orte der gesamten Fahrzeugflotte und der bewegten Fahrzeuge dargestellt. In Anhang C

54 Die Einteilung der Aufenthaltsorte setzen sich wie folgt aus den nummerierten Kategorien zusammen:

Zuhause: Zuhause (7)

Arbeit: Arbeit (1), Ausbildung (3)

Öffentlicher Ort: Einkauf (4), Freizeit (5)

Sonstiges: Dienstreise (2), Serviceweg (6), Anders (8), Hotel (9), außer Haus (10).

Unterwegs: Unterwegs (0).


64

in Abbildung 20, Abbildung 21 und Abbildung 22 ist zudem die Verteilung der Aufent-

haltsorte der bewegten Fahrzeuge für die einzelnen Haushaltstypen dargestellt. Dabei

wird vor allem deutlich, dass bei Typ 1 überdurchschnittlich viele Fahrzeuge sich am

Wochenende außer Haus befinden, während bei Typ 6 besonders viele Fahrzeuge an

Werktagen für den Weg zur Arbeit genutzt werden.

Abbildung 13: Aufenthaltsorte der Fahrzeuge in der gesamten Woche.

4.2 Ergebnisse

65

Aufenthaltsdauern

Neben den Aufenthaltsorten ist für die Untersuchung des Ladeverhaltens und der Mög-

lichkeiten zur Ladeoptimierung auch interessant, wie lange Fahrzeuge sich durch-

schnittlich an einem Ort aufhalten, bevor sie die nächste Strecke zurücklegen. In Tabelle

13 sind die durchschnittlichen Aufenthaltsdauern an Werktagen und am Wochenende

für die gesamte Fahrzeugflotte aufgeführt, eine ausführlichere Auswertung der Aufent-

haltsdauern nach Haushaltstyp befindet sich in Anhang D in Abbildung 23. Die Aufent-

haltsdauer am Wochenende ist dabei aus verschiedenen Gründen in allen Kategorien

größer als an den Werktagen: Die längeren Aufenthalte zuhause sind auf eine generell

geringere Mobilität am Wochenende zurückzuführen (vgl. Abbildung 12). Zu den sonsti-

gen Aufenthaltsorten zählen unter anderem Aufenthalte an Zweitwohnsitzen und in Ho-

tels, was die deutlich längere durchschnittlichere Aufenthaltsdauer an diesen Orten am

Wochenende erklärt. Die längere „Aufenthaltsdauer“ in der Kategorie Unterwegs, die der

durchschnittlichen Fahrtzeit entspricht, lässt sich durch die längere durchschnittliche

Streckenlänge, die mitunter auf lange Urlaubsfahrten zurückzuführen ist, erklären.

Tabelle 13: Durchschnittliche Aufenthaltsdauer der bewegten Fahrzeuge je Aufenthaltsort.

Aufenthaltsort Aufenthaltsdauer Werktags Aufenthaltsdauer Wochenende

Zuhause 13,50 h 20,11 h

Arbeit 7,02 h 7,27 h

Öffentlicher Ort 1,42 h 2,27 h

Sonstiges 2,28 h 7,15 h

Unterwegs 0,20 h 0,29 h

Energieverbrauch

Die Ausgangsbasis für die Modellierung des Ladeverhaltens ist das Mobilitätsverhalten

der Haushalte und damit die zurückgelegten Strecken der Fahrzeuge. Durch eine geeig-

nete Fahrzeugsubstitution werden im MATLAB-Algorithmus den Mobilitätsprofilen be-

reits möglichst passende Elektrofahrzeuge zugeordnet, deren Kenngrößen Batterieka-

pazität und elektrischer Verbrauch55 für die Erzeugung der Ladeprofile verwendet wer-

den, sodass für jede zurücklegte Strecke die verbrauchte elektrische Energie 𝐸𝐹𝑎ℎ𝑟𝑡 be-

rechnet und den Zeitintervallen zugeordnet werden konnte. Durch die Gewichtung der

Fahrzeugprofile mit den Hochrechnungsfaktoren der Haushalte kann nun die durch- 55 Der durchschnittliche elektrische Verbrauch der substituierten Fahrzeuge liegt bei jedem Haushaltstyp bei

etwa 15 kWh pro 100 km.


66

schnittlich verbrauchte Energie pro Stunde berechnet werden. In Abbildung 14 ist der

Energieverbrauch pro Fahrzeug an Werktagen und am Wochenende dargestellt (bei der

Berechnung des Durchschnitts wurden nur die bewegten Fahrzeuge betrachtet). Die

Fläche unter der Kurve entspricht der elektrischen Energie, die zuvor aufgeladen wer-

den muss, wenn die gefahrenen Strecken vollständig elektrisch zurückgelegt werden.

Abbildung 14: Durchschnittlich verbrauchte Energie pro Stunde.

In der Abbildung ist der deutlich größere Energiebedarf an Werktagen durch den Be-

rufsverkehr und der spätere Anstieg der Kurve am Wochenende zu erkennen. Weitere

Auswertungen haben ergeben, dass das Mobilitätsverhalten an Sonntagen im Vergleich

zu Samstagen ein bis zwei Stunden später ansteigt und sinkt. Für die Auswertungen

nach Haushaltstyp in Abbildung 15 wurde jedoch zugunsten der Übersichtlichkeit und

der Konsistenz zu den übrigen Auswertungen auf eine Unterscheidung zwischen Sams-

tag und Sonntag verzichtet.

Die Haushaltstypen 1 und 4 verbrauchen an Werktagen signifikant weniger Energie als

das durchschnittliche Fahrzeug (nicht jedoch am Wochenende), wohingegen Typ 6 einen

überdurchschnittlichen Energieverbrauch an Werktagen aufweist. Parallelen zwischen

den beiden Haushaltstypen im inneren Stadtbereich (1 und 3) und den beiden am Stadt-

rand bzw. im Vorort (2 und 4) sind nicht ersichtlich.

4.2 Ergebnisse

67

Abbildung 15: Vergleich der durchschnittlich verbrauchten Energie (kWh/h) je Haushaltstyp.


68

Standardlastprofile bei ungesteuertem Laden

Bei der Untersuchung der Ladeprofile wird zunächst das ungesteuerte Laden betrachtet,

welches in den Ladeprofilen durch die Maximal-Strategie dargestellt wird. Beim unge-

steuerten Laden wird davon ausgegangen, dass ein Fahrzeugbesitzer sein Fahrzeug im-

mer wenn möglich mit der vorhandenen Ladeinfrastruktur verbindet und das Fahrzeug

mit der maximal nutzbaren Ladeleistung geladen wird, bis der maximale Ladestand er-

reicht ist (Kaschub 2017, S. 39). Im Folgenden wird ausgewertet, wie viele Mobilitäts-

profile durch ein reines Elektrofahrzeug abgebildet werden konnten und wie groß der

Anteil der elektrisch zurücklegten Strecke ist. Anschließend werden für die substituier-

ten Elektrofahrzeuge Standardlastprofile (SLP) dargestellt und die Anteile der verschie-

denen Lademöglichkeiten an der gesamten aufgeladenen Energie berechnet.

Anteil der elektrisch durchführbaren Mobilität

Falls ein Fahrzeug aufgrund einer zu geringen Batteriekapazität bzw. einer nicht ausrei-

chenden Ladeinfrastruktur nicht alle Strecken mit elektrischer Energie zurücklegen

kann, wird das Fahrzeug als Plug-In-Hybridfahrzeug modelliert, das in dieser Auswer-

tung über eine um 2/3 reduzierte Batteriekapazität verfügt und Fahrten, die die Reich-

weite übersteigen mit einem Verbrennungsmotor zurücklegt. In Tabelle 14 ist für jeden

Haushaltstyp aufgeführt, welcher Anteil der insgesamt bewegten Fahrzeuge mit dem

jeweils substituierten Elektrofahrzeug bei gegebenem Ladeszenario abbildbar ist. Auf-

fällig ist, dass für Typ 2 wenige Fahrzeuge und für Typ 4 überdurchschnittlich viele

Fahrzeuge abgebildet werden können, außerdem können bei Typ 3 durch das Hinzu-

nehmen von öffentlichem Laden (Szenario C) deutlich mehr Fahrzeuge als zuvor abge-

bildet werden.

Tabelle 14: Anteil der mit dem substituierten BEV abbildbaren Mobilitätsprofile.

Haushaltstyp Szenario A Szenario B Szenario C

Typ 1 90,59 % 91,48 % 94,08 %

Typ 2 86,33 % 87,01 % 90,63 %

Typ 3 89,65 % 90,23 % 96,63 %

Typ 4 92,70 % 93,24 % 95,45 %

Typ 5 91,18 % 91,27 % 92,97 %

Typ 6 89,51 % 90,12 % 94,39 %

Alle 89,82 % 90,47 % 93,71 %

4.2 Ergebnisse

69

Nachdem die Fahrzeuge, die nicht durch ein BEV abgebildet werden können durch ein

PHEV ersetzt wurden, kann berechnet werden, wie groß der Anteil der mit elektrischer

Energie zurückgelegten Fahrtstrecke ist. Diese Anteile sind für jeden Haushaltstyp je

Ladeszenario in Tabelle 15 aufgeführt. Auch in dieser Auswertung sind dieselben bereits

oben aufgeführten Eigenschaften der Haushaltstypen 2, 3 und 4 erkennbar.

Tabelle 15: Anteil der mit elektrischer Energie zurückgelegten Strecke.

Haushaltstyp Szenario A Szenario B Szenario C

Typ 1 77,35 % 78,79 % 83,64 %

Typ 2 74,20 % 75,71 % 81,48 %

Typ 3 81,28 % 82,22 % 91,24 %

Typ 4 87,09 % 87,96 % 91,13 %

Typ 5 84,03 % 84,98 % 87,05 %

Typ 6 84,48 % 86,18 % 90,12 %

Alle 82,20 % 83,71 % 87,72 %

Standardlastprofile

Zur Prognose des nachgefragten Stroms bei ungesteuertem Laden wurden auf Basis der

Ladeprofile sogenannte Standardlastprofile berechnet, die ähnlich wie bei Lastprofilen

für den Stromverbrauch von Haushalten die durchschnittlich nachgefragte Strommenge

angeben. Die Standardlastprofile wurden für jedes Ladeszenario berechnet, wobei in

Werktage und Wochenende unterschieden wird. Bei Ladeszenarien mit mehreren La-

demöglichkeiten (B, C) ist die nachgefragte Strommenge nach Aufenthaltsort aufgeteilt.

In Abbildung 16 sind die Standardlastprofile für die gesamte betrachtete Fahrzeugflotte

dargestellt, für die einzelnen Haushaltstypen sind in Anhang E in Abbildung 24, Abbil-

dung 25, Abbildung 26, Abbildung 27, Abbildung 28 und Abbildung 29 die Standardlast-

profile abgebildet. In allen Standardlastprofilen sind die durch den vermehrten Einsatz

von Elektrofahrzeugen immer problematischeren Lastspitzen zu erkennen, insbesonde-

re, wenn alle Fahrzeuge ungesteuert und nur zu Hause geladen werden. Beim Vergleich

der verschiedenen Ladeszenarien ist ersichtlich, dass ein besseres Ladeinfrastrukturan-

gebot die Stromnachfrage glätten kann. Der größte Unterschied zwischen den Haus-

haltstypen liegt bei der Nachfrage an öffentlichen Ladestationen.


70

Abbildung 16: Standardlastprofile je Ladeszenario für Werktage und Wochenende.

Die Standardlastprofile können zum einen dazu verwendet werden, bei einer großen

Elektrofahrzeugflotte die nachgefragte Strommenge zu prognostizieren und das Strom-

netz darauf anpassen, zum anderen kann das Ladeverhalten der Elektrofahrzeuge durch

eine Kombination der SLPs mit einer Stromangebotskurve und der Berücksichtigung

von Lastverschiebepotentialen im Hinblick auf die Nutzung regenerativer Energien und

der Vermeidung von Spitzenlasten optimiert werden.

4.2 Ergebnisse

71

Anteil der verschiedenen Ladetypen

Ausgehend von den Standardlastprofilen kann berechnet werden wie groß der Anteil

der verschiedenen berücksichtigten Ladetypen Charging near Home, Charging near

Work und Public Charging an der gesamten aufgeladenen Energiemenge ist. In Abbil-

dung 17 werden die verschiedenen Haushaltstypen dazu einander gegenübergestellt56.

Neben leichten Unterschieden zwischen den verschiedenen Haushaltstypen kann man

außerdem Unterschiede in der Ladeinfrastrukturnutzung an Werktagen und am Wo-

chenende erkennen: Am Wochenende geht die Nutzung von Lademöglichkeiten am Ar-

beitsplatz stark zurück, dafür wird viel Energie durch öffentliche Ladestellen aufgeladen,

sodass die Nutzung der Lademöglichkeiten zuhause anteilig ca. gleichbleibt.

Abbildung 17: Anteil der verschiedenen Lademöglichkeiten im Standardlastprofil.

56 Da bei Ladeszenario A nur Charging near Home betrachtet wird, erfolgt die Auswertung nur für die Ladesze-

narien B und C.


72

Lastverschiebepotentiale

Zur Bestimmung der Lastverschiebepotentiale (LVP) werden im Folgenden zwei Metho-

den verwendet: Zunächst wird die Ladedauer der gesamten Aufenthaltsdauer gegen-

übergestellt, anschließend wird der zeitliche Verlauf der verfügbaren Energie und der

aufgeladenen Energie bei den beiden Extrem-Ladestrategien dargestellt.

Ladedauer und Aufenthaltsdauer

In Abbildung 18 ist der durchschnittliche Anteil der Ladedauer an der gesamten Aufent-

haltsdauer57, für die verschiedenen Ladetypen dargestellt. Dabei wird zum sowohl nach

Haushaltstypen, als auch nach Ladeszenarien unterschieden, außerdem erfolgt eine Un-

terteilung in Werktage und Wochenende. Die verwendete Farbskala vergleicht die ver-

schiedenen Haushaltstypen miteinander, indem ein höherer Anteil der Ladedauer und

damit ein geringeres LVP durch eine dunklere Färbung dargestellt wird.

Abbildung 18: Anteil der Ladedauer an der Aufenthaltsdauer bei ungesteuertem Laden. 57 Ein geringerer Anteil der Ladedauer entspricht einem größeren LVP (vgl. Develder et al. 2016).

A

Home 10,7% 8,3% 5,9% 8,1% 7,7% 4,6%

Work - 14,2% 13,8% - 13,9% 13,6%

Public - - 6,4% - - 5,7%

Home 8,2% 6,1% 4,1% 6,4% 6,1% 3,8%

Work - 10,5% 10,1% - 17,1% 17,1%

Public - - 5,2% - - 5,5%

Home 9,5% 7,6% 5,4% 7,0% 6,6% 4,1%

Work - 13,5% 13,4% - 6,5% 6,0%

Public - - 6,3% - - 4,6%

Home 9,7% 7,2% 5,7% 7,2% 7,0% 4,2%

Work - 12,2% 11,9% - 7,5% 7,5%

Public - - 7,3% - - 5,3%

Home 9,6% 7,4% 4,9% 7,6% 7,2% 4,3%

Work - 13,4% 13,0% - 12,8% 12,6%

Public - - 5,6% - - 5,4%

Home 10,7% 8,3% 5,9% 8,6% 8,2% 4,6%

Work - 14,9% 14,5% - 13,5% 13,5%

Public - - 6,5% - - 5,4%

Home 13,1% 9,8% 7,3% 9,3% 8,7% 5,4%

Work - 15,9% 15,3% - 21,4% 20,7%

Public - - 6,9% - - 6,9%

WochenendeWerktagA B C

Typ 1

Typ 2

Typ 3

Typ 4

Typ 5

Typ 6

B C

Alle

4.2 Ergebnisse

73

Bei der Betrachtung aller Haushalte fällt auf, dass das LVP bei dem Ladetyp Charging

near Work am geringsten ist, wobei auch hier nur durchschnittlich 14% der Aufent-

haltsdauer zum Laden genutzt werden. Der Ladetyp Charging near Home wird durch die

Hinzunahme anderer Ladetypen (Szenario B, C) mehr und mehr ersetzt, wodurch auch

Spitzenlasten vermieden werden können (siehe Standardlastprofile). Im Gegensatz zu

den anderen Ladetypen wird das Laden zuhause an Werktagen für alle Haushaltstypen

anteilig mehr genutzt als am Wochenende.

Beim Vergleich der verschiedenen Haushaltstypen lässt sich durch die Farbskala recht

deutlich ein Unterschied im Lastverschiebepotential erkennen. Das größte LVP liegt bei

Haushaltstyp 1 (innerer Stadtbereich einer Großstadt) vor, das geringste LVP bei den

Haushaltstypen 5 (Kleinstadt / Große Gemeinde) und 6 (Auf dem Land / kleine Land-

gemeinde). Das LVP der übrigen drei Haushaltstypen ähnelt sich stark, jedoch ist bei

Haushaltstyp 3 (innerer Stadtbereich einer mittelgroßen Stadt) das LVP beim Laden am

Arbeitsplatz etwas größer, das LVP beim öffentlichen Laden dafür geringer. Am Wo-

chenende ist dafür bei Typ 2 (Stadtrand / Vorort einer Großstadt) ein etwas größeres

LVP vorhanden.

Zeitlicher Verlauf von verfügbarer Energie und Max-/Min-Strategie

Beim Generieren der Ladeprofile wird nicht nur die tatsächlich geladene Energie bei

Maximal- bzw. Minimal-Strategie, sondern auch die gesamte durch die Ladeinfrastruktur

zur Verfügung gestellte Energie berechnet. Auch wenn eine Optimierung des Ladevor-

gangs für jedes einzelne Fahrzeugprofil durchgeführt werden muss, kann durch einen

Vergleich der genutzten und der verfügbaren Energiemenge ähnlich wie beim vorheri-

gen Vergleich der Lade- mit der Aufenthaltsdauer fahrzeugübergreifend eine ungefähre

Aussage zum Lastverschiebepotential der Fahrzeugflotte getroffen werden.

In Abbildung 18 ist der zeitliche Verlauf der verfügbaren Energie und der geladenen

Energie nach Maximal- und Minimal-Strategie der bewegten Fahrzeuge an einem durch-

schnittlichen Werktag und am Wochenende dargestellt. Es wurde für jedes Ladeszenario

eine eigene Grafik erstellt, sodass man den Einfluss hinzugenommener Ladetypen er-

kennen kann. In Anhang F in Abbildung 30, Abbildung 31 und Abbildung 32 sind die An-

teile der verschiedenen Ladetypen je Ladeszenario nochmal abgebildet.


74

Abbildung 19: Verlauf der verfügbaren und geladenen Energie bei Max-/Min-Strategie.

In den Abbildungen ist bei allen drei Ladeszenarien eine große Differenz zwischen ver-

fügbarer und genutzter Energie zu erkennen, die als ein relativ großes LVP interpretiert

werden kann. Ein großes LVP kann beim Ladetyp Charging near Home in der Nacht ge-

nutzt werden. Der Ladetyp Charging near Work gleicht bei den Szenarien B und C die

sinkende verfügbare Energie zuhause aus und glättet damit die verfügbare Energie deut-

lich. Das hauptsächlich tagsüber genutzte Public Charging bietet ein großes Synergiepo-

tential mit der Erzeugung regenerativen Stroms durch Photovoltaikanlagen.

4.3 Interpretation der Ergebnisse

75

4.3. Interpretation der Ergebnisse

In diesem Unterkapitel werden die bereits vorgestellten Ergebnisse interpretiert. Dazu

werden aus den erstellten Diagrammen verschiedene Aussagen zum Mobilitäts- und

Ladeverhalten der verschiedenen Haushaltstypen und zum Einfluss der Ladeinfrastruk-

tur abgeleitet und anhand der Auswertungen der erzeugten Mobilitäts- und Ladeprofile

aus dem vorherigen Unterkapitel belegt und diskutiert.

Mobilitätsverhalten

Die meisten Fahrzeuge werden nur zu einem geringen Zeitanteil für Fahrten genutzt.

Der Anteil der im Berichtszeitraum nicht bewegten Fahrzeuge und die durchschnittli-

chen Aufenthaltsorte und -dauern der Fahrzeuge zeigen, dass das durchschnittliche

Fahrzeug die meiste Zeit seines Lebenszyklus steht. Damit besitzen neue Mobilitätskon-

zepte wie Carsharing ein großes ökonomisches Potential, indem Fahrzeuge besser ge-

nutzt werden und kalendarische Alterungseffekte vermieden werden können. Außer-

dem bietet eine gut ausgebaute Ladeinfrastruktur an privaten und öffentlichen Park-

plätzen Potentiale zur Ladeoptimierung durch ein größeres LVP.

Das Mobilitätsverhalten an Werktagen und am Wochenende unterscheidet sich durch Be-

rufsverkehr und Freizeitfahrten stark.

Das unterschiedliche Mobilitätsverhalten an Werktagen und am Wochenende wird in

fast allen durchgeführten Untersuchungen im vorherigen Kapitel deutlich. Einen großen

Anteil daran hat der Berufsverkehr vormittags und nachmittags an Werktagen. Dennoch

werden am Wochenende durchschnittlich noch längere Strecken zurückgelegt, was mög-

licherweise auf Urlaubsfahrten zurückzuführen ist. An den durchschnittlichen Aufent-

haltsorten lässt sich erkennen, dass sich am Wochenende deutlich mehr Fahrzeuge an

öffentlichen Orten (Einkaufen und Freizeit) aufhalten. Zwischen dem Mobilitätsverhal-

ten an Samstagen und Sonntagen konnten nur geringe Unterschiede festgestellt werden,

die befragten Haushalte sind sonntags zwar durchschnittlich ein bis zwei Stunden später

mobil, das Verkehrsaufkommen weicht allerdings nicht wesentlich voneinander ab.

Im inneren Stadtbereich größerer Städte geht die Pkw-Nutzung durch das bessere ÖPNV-

Angebot und das größere absolute Verkehrsaufkommen zurück.

Zum einen lässt sich die geringere Pkw-Nutzung schon bei der Auswertung des Pkw-

Bestands der Haushalte erkennen, zum anderen ist beispielsweise bei den Ergebnissen


76

des Verkehrsaufkommens und der verbrauchten Energie auch fahrzeugspezifisch eine

geringere Mobilität mit dem eigenen Pkw zu sehen. Am deutlichsten wird dieser Unter-

schied beim Vergleich der Haushaltstypen 1 und 6 an Werktagen. Auffällig ist, dass die

Fahrzeuge des Haushaltstyp 1 am Wochenende mobiler als an Werktagen sind.

In Vororten und am Stadtrand größerer Städte nimmt das Mobilitätsverhalten an Werkta-

gen durch Pendlerstrecken nicht signifikant zu.

Entgegen vermeintlicher Annahmen liegt für die Haushaltstypen 2 und 4, also Haushal-

ten am Stadtrand oder in Vororten (mittel-)großer Städte, kein überdurchschnittliches

Verkehrsaufkommen an Werktagen (bspw. durch Pendlerstrecken) vor. Im Gegenteil

befinden sich bei den Haushaltstypen 1 und 3 (innerer Stadtbereich) an Werktagen an-

teilig sogar mehr Fahrzeuge an der Arbeitsstelle (siehe Anhang C).

Auf dem Land und in kleinen Gemeinden nimmt die Mobilität mit dem Pkw zu.

Anders als in den Vororten größerer Städte lässt sich für Haushalte auf dem Land und in

kleinen Gemeinden und Städten (Typ 5 und 6) ein deutlich größeres Verkehrsaufkom-

men mit dem Pkw erkennen. Insbesondere auf dem Land an Werktagen führt der Be-

rufsverkehr zu einem überdurchschnittlichen Mobilitätsverhalten. Die verstärkte Nut-

zung des Pkws kann mit längeren Arbeitswegen und auch mit einem geringeren Angebot

an alternativen Verkehrsmitteln begründet werden.

Ladeverhalten und Einfluss der Ladeinfrastruktur

Das alltägliche Mobilitätsverhalten der meisten Haushalte lässt sich schon mit dem heuti-

gen Stand der Batterieentwicklung und Ladeinfrastruktur mit einem BEV durchführen.

Ein Großteil der erzeugten Mobilitätsprofile konnte mit den substituierten Elektrofahr-

zeugen, die auf den Daten aktueller Fahrzeugmodelle beruhen, durchgeführt werden,

was dem Vorurteil einer zu geringen Reichweite heutiger Elektrofahrzeuge wider-

spricht. Wichtiger als eine Erhöhung der Reichweite scheint eine präzisere Vorhersage

der verbleibenden Reichweite und ein Ausbau der Schnellladeinfrastruktur, falls gele-

gentlich nicht alltägliche längere Strecken mit dem Elektrofahrzeug zurückgelegt wer-

den müssen. Ein komfortables und kostengünstiges Angebot an Leihfahrzeugen sowie

verbrauchsarme Hybridfahrzeuge können eine sinnvolle Ergänzung zu reinen Elektro-

fahrzeugen sein.

4.3 Interpretation der Ergebnisse

77

Ungesteuertes Laden führt zu erheblichen Spitzenlasten.

Die Standardlastprofile zeigen, dass ein ähnliches Mobilitätsverhalten der meisten

Haushalte (z.B. durch ähnliche Arbeitszeiten) bei ungesteuertem Laden zu Spitzenlasten

führen, die bei einem steigenden Anteil an Elektrofahrzeugen durchaus ein Problem für

Netzbetreiber darstellen können. Insbesondere bei Ladeszenario A, bei dem Fahrzeuge

nur zuhause geladen werden können, ist an Werktagen gegen Nachmittag die Spitzenlast

für alle Haushaltstypen sehr groß. Die maximale genutzte Ladeleistung je Fahrzeug ist

bei den ländlichen Haushalten (Typ 5 und 6) durch den häufigeren Pkw-Einsatz im Be-

rufsverkehr am größten.

Der Grad der Urbanisierung hat einen signifikanten Einfluss auf die Standardlastprofile

Die Unterschiede der in Anhang E dargestellten Standardlastprofile für die 6 verschie-

denen Haushaltstypen legen nahe, dass die Lage der Wohnung einen Einfluss auf die

Stromnachfrage bei ungesteuertem Laden hat. Die größten Abweichungen liegen an

Werktagen bei den Spitzenlasten und am Wochenende beim Einfluss des öffentlichen

Ladens vor.

Ein Ausbau der Ladeinfrastruktur auf der Arbeit und an öffentlichen Orten kann zu einer

Glättung der Stromnachfrage führen.

Beim Vergleich der Spitzenlasten in den Standardlastprofilen der unterschiedlichen La-

deszenarien wird deutlich, dass vor allem das Laden am Arbeitsplatz einen positiven

Einfluss auf die maximale Amplitude der Stromnachfrage hat. Je nach Haushaltstyp kann

auch öffentliches Laden Spitzenlasten verringern. Durch öffentliche Ladestationen wird

durch öffentliches Laden mehr Energie tagsüber aufgeladen, was bspw. durch eine

Kombination mit dem Einsatz von Solarstrom sinnvoll sein kann.

Beim Laden der Fahrzeuge in der Nähe der Wohnung liegt über Nacht ein erhebliches

Lastverschiebepotential vor.

Der durchschnittliche Aufenthaltsort zeigt, dass sich die meisten Fahrzeuge über Nacht

zuhause befinden und im Zeitverlauf der genutzten und verfügbaren Energiemenge in

Abbildung 19 und Anhang F ist ersichtlich, dass nur ein geringer Teil der dort verfügba-

ren Energiemenge tatsächlich genutzt wird. Somit könnte eine Lastverschiebung beim

Laden in der Nähe der Wohnung zu einer erheblichen Verringerung der Spitzenlasten

führen. Außerdem bietet die lange Standzeit zuhause Möglichkeiten für die Nutzung der

Fahrzeugbatterie für V2G- und V2H-Konzepte.

5 Schlussbetrachtung

78

Schlussbetrachtung

Im letzten Kapitel wird zum einen die in dieser Arbeit erfolgte Generierung und Auswer-

tung repräsentativer Ladeprofile für Deutschland zusammengefasst. Dabei wird unter

anderem auf die Vorgehensweise aus Kapitel 3 und die Ergebnisse der ausgewerteten

Mobilitäts- und Ladeprofile in Kapitel 4 eingegangen. Abschließend wird ein kurzer

Ausblick gegeben.

5.1. Zusammenfassung

Nachdem in Kapitel 2 auf die verwendeten MOP-Daten eingegangen wurde und grundle-

gende Informationen zu Elektrofahrzeugen und insbesondere zum Ladevorgang dieser

Fahrzeuge zusammengetragen wurden, wurde in Kapitel 3 ein Algorithmus zur Erstel-

lung repräsentativer Ladeprofile auf Basis der MOP-Daten vorgestellt. Anschließend

wurden in Kapitel 4 erzeugte Fahrzeugprofile bei verschiedenen Angaben zur Auswahl

der Haushalte und der verfügbaren Ladeinfrastruktur ausgewertet und interpretiert.

Das erste Ziel dieser Arbeit war, einen nachvollziehbaren Algorithmus zur Generierung

repräsentativer Ladeprofile auf Basis der MOP-Daten zu erzeugen und ausführlich zu

beschreiben. Dabei wurden die im Vorfeld der Bachelorarbeit benannten Anforderungen

(siehe Kapitel 3.1) bestmöglich erfüllt: Der Algorithmus ist auf verschiedene (auch zu-

künftige) MOP-Datensätze anwendbar, es können einzelne Haushaltsgruppen separat

betrachtet werden, der Benutzer kann Angaben zur vorhandenen Ladeinfrastruktur ma-

chen und es werden beide Extrem-Ladestrategien berechnet. Durch die in der Daten-

bank gespeicherten Fahrzeuginformationen und weitere Nutzereingaben können die

substituierten Fahrzeuge verändert werden, außerdem erfolgt eine Aggregierung der

Fahrzeuge nach den Gewichtungsfaktoren aus den MOP-Daten, sodass die Ladeprofile

insgesamt die Fahrzeugflotte in Deutschland abbilden. Auch wenn in dieser Arbeit nicht

näher darauf eingegangen wurde, besteht grundsätzlich auch die Möglichkeit, den Algo-

rithmus zur Bestimmung der Maximal- und Minimal-Ladestrategien und der Fahrzeug-

aggregation auch auf MOP-fremde Daten anzuwenden. Die ausführliche Beschreibung

5.2 Ausblick

79

der Vorgehensweise zur Erstellung der Ladeprofile in Kapitel 3.2, dessen Struktur mit

dem Aufbau des MATLAB-Programms übereinstimmt, erleichtert die Benutzung und

Erweiterung des Algorithmus. In Kapitel 3.3 wurden die Ergebnisse des Algorithmus

kritisch betrachtet. Dabei wurde unter anderem auf Mängel der verwendeten Daten,

notwendige getroffene Annahmen und Grenzen der Modellierung eingegangen.

Das zweite Ziel dieser Arbeit war, die untersuchten Mobilitätsdaten auszuwerten, den

Einfluss verschiedener Ladeszenarien auf die erzeugten Ladeprofile zu untersuchen und

durch eine Betrachtung verschiedener Haushaltsgruppen den Einfluss des Urbanisie-

rungsgrads auf das Mobilitäts- und Ladeverhalten zu analysieren. Dazu wurden in Kapi-

tel 4 verschiedene Auswertungen, beispielsweise zum Verkehrsaufkommen, den Auf-

enthaltsorten, der Dauer der Aufenthalte und der verbrauchten Energie der Fahrzeuge

durchgeführt. Außerdem wurden Standardlastprofile für verschiedene Ladeszenarien

und Haushaltstypen an Werktagen und am Wochenende erstellt und zwei Untersuchun-

gen zum Lastverschiebepotential der aufzuladenden Fahrzeuge durchgeführt. Auf Basis

dieser Untersuchungen wurden in Kapitel 4.3 verschiedene Aussagen zum Mobilitäts-

verhalten und dem Einfluss der Ladeinfrastruktur getroffen und durch die verschiede-

nen Auswertungen der Ladeprofile belegt.

Für verwandte Forschungszwecke kann zum einen die Vorgehensweise zur Erstellung

der Ladeprofile relevant sein, indem durch Anpassungen der Benutzereingaben oder des

Algorithmus selbst passende Ladeprofile für weiterführende Auswertungen generiert

werden können. Zum anderen können die Erkenntnisse aus den Auswertungen der La-

deprofile in dieser Arbeit, wie z.B. die Standardlastprofile, für zukünftige Arbeiten im

Bereich der Ladeoptimierung von Elektrofahrzeugen verwendet werden.

5.2. Ausblick

Die in dieser Arbeit vorgestellte Vorgehensweise zur Erzeugung von repräsentativen

Ladeprofilen kann durch zukünftige Forschungsarbeiten noch erweitert werden. Dazu

könnten zum Beispiel stochastische Modelle zur Erzeugung von Mobilitätsprofilen, zur

Vorhersage des Aufenthaltsorts des Fahrzeugs oder zur Bestimmung der vorhandenen

Ladeinfrastruktur erstellt werden, sodass die Ladeprofile das Nutzerverhalten und die

externen Bedingungen noch realistischer darstellen.

Auf Basis der beiden berechneten Extrem-Ladestrategien und der verfügbaren Ladeinf-

rastruktur könnte ein Offline- oder Online-Algorithmus entwickelt werden, der das La-

5 Schlussbetrachtung

80

deverhalten für die Fahrzeugprofile optimiert, indem es den Nutzen einer Zielfunktion

maximiert (siehe Hahn et al. 2013). Basis für eine Zielfunktion könnte ein flexibler

Strompreis-Verlauf sein, der die Angebotsschwankung von regenerativen Energien und

gesteigerte Nachfragemengen zu Spitzenzeiten berücksichtigt und so dem Nutzer wirt-

schaftliche Anreize zu einem umweltfreundlicheren Verhalten setzt.

Zukünftige Arbeiten könnten die Ergebnisse und Interpretationen in dieser Arbeit mit

ähnlicher Literatur vergleichen und so ggf. die Relevanz der getroffenen Aussagen un-

terstreichen. Dabei könnten unter anderem die in Kapitel 3.3 aufgeführten Schwächen

der MOP-Daten, beispielsweise der Einfluss der Jahreszeit, kritisch betrachtet werden.

Durch eine Untersuchung der Varianz des Ladeverhaltens könnte die Aussagekraft der

Standardlastprofile näher untersucht werden.

Gegenstand weitergehender Forschung könnten weitere Auswertungen der Ladeprofile

auf Basis der MOP-Daten sein, beispielsweise nach regionalen Aspekten, oder indem die

Ladeprofile in verschiedene typische Fahrzeug-Klassen eingeteilt werden, was die Aus-

sagekraft der Standardlastprofile durch eine geringere Streuung erhöhen würde. Durch

eine Modifizierung des Algorithmus könnte die Auswirkung einer haushaltsübergreifen-

den Nutzung von Fahrzeugen nach regionalen Aspekten wichtige Erkenntnisse zum Po-

tential durch zukünftige Sharing-Konzepte wie Fuhrparks oder autonome Taxi-

Fahrzeuge liefern.

Für die Nutzung von Lastverschiebepotentialen sind natürlich nicht nur die Fahrzeuge

privater Haushalte, sondern auch die zurückgelegten Strecken im Transportsektor, wel-

che für einen hohen Anteil der Emissionen verantwortlich sind (Creutzig und Edenhofer

2010), interessant. Einzelne Unternehmen, wie beispielsweise die Deutsche Post stellen

ihre Fahrzeugflotte schon jetzt auf elektrisch betriebene Fahrzeuge um. Durch die Ein-

bindung von Mobilitätsdaten in geeignetem Format können auch diese mit den Modulen

4 und 5 des entwickelten Algorithmus hinsichtlich des LVPs ausgewertet werden.

Durch die in der Anforderungsanalyse abgestimmte Vorgehensweise und die Vielzahl

der Variationsmöglichkeiten zur gezielten Erzeugung der Ladeprofile versuchen die Er-

gebnisse und Erkenntnisse dieser Arbeit einen Beitrag zur Optimierung des Ladevor-

gangs von Elektrofahrzeugen zu leisten und damit den Einsatz umweltfreundlicherer

und ressourcenschonenderer Stromquellen und Antriebstechnologien für Kunden wie

auch für Stromnetzbetreiber zukünftig attraktiver zu machen.

Literaturverzeichnis

81


Agora Verkehrswende (2017): Mit der Verkehrswende die Mobilität von morgen

sichern. 12 Thesen zur Verkehrswende.

BCG (2018): The Electric Car Tipping Point. The Future of Powertrains for Owned and

Shared Mobility.

BMW (2017): Der neue BMW i3 und BMW i3s. Preisliste November 2017.

BMWi (2016): Ladesäulenverordnung (LSV): Verordnung über technische Mindest-

anforderungen an den sicheren und interoperablen Aufbau und Betrieb von öffentlich

zugänglichen Ladepunkten für Elektromobile.

Böhm, Rolf; Fuchs, Emmerich; Fischer, Markus (2002): System-Entwicklung in der

Wirtschaftsinformatik. 5. vollst. überarb. Auflage. Zürich: vdf Hochsch.-Verl. an der ETH

(Wirtschaftsinformatik).

Bundesregierung (2009): Nationaler Entwicklungsplan Elektromobilität der Bundes-

regierung.

Bundesregierung (2011): Regierungsprogramm Elektromobilität.

Clausen, Jens (2018): Roadmap Elektromobilität Deutschland. Ziele, Chancen, Risiken,

notwendige Maßnahmen und politische Initiativen.

Creutzig, Felix; Edenhofer, Ottmar (2010): Mobilität im Wandel. Wie der Klimaschutz

den Transportsektor vor neue Herausforderungen stellt. In: Internationales

Verkehrswesen 62.

Dallinger, David; Krampe, Daniel; Wietschel, Martin (2011): Vehicle-to-Grid Regulation

Reserves Based on a Dynamic Simulation of Mobility Behavior. In: IEEE Trans. Smart

Grid 2 (2), S. 302–313. DOI: 10.1109/TSG.2011.2131692.

Deutsche Post DHL Group (2016): Fakten zum StreetScooter.

Develder, Chris; Sadeghianpourhamami, Nasrin; Strobbe, Matthias; Refa, Nazir (2016):

Quantifying flexibility in EV charging as DR potential: Analysis of two real-world data

sets. Unter Mitarbeit von George Maltabarow und Z. Y. Dong. Piscataway, NJ: IEEE.


82

Döring, Thomas; Aigner-Walder, Birgit (2017): Verkehrs-, umwelt- und raumbezogene

Aspekte der Elektromobilität aus der Sicht des Nutzerverhaltens. In: Raumforsch

Raumordn 75 (4), S. 339–353. DOI: 10.1007/s13147-016-0472-x.

Ester, Patrick (2016): Vision IKT für Elektromobilität. Szenarien, Basisinnovationen und

Expertenbewertung.

Festag, Andreas; Rehme, Marco; Kruse, Jan (2016): Studie Mobilität 2025+. Koexistenz

oder Konvergenz von IKT für Automotive? Hg. v. Verband der Elektrotechnik Elektronik

Informationstechnik e. V.

Frenzel, Ina; Jarass, Julia; Trommer, Stefan; Lenz, Barbara (2015): Erstnutzer von

Elektrofahrzeugen in Deutschland. Nutzerprofile, Anschaffung, Fahrzeugnutzung. Hg. v.

DLR.

Grahn, Pia; Alvehag, Karin; Soder, Lennart (2014): PHEV Utilization Model Considering

Type-of-Trip and Recharging Flexibility. In: IEEE Trans. Smart Grid 5 (1), S. 139–148.

DOI: 10.1109/TSG.2013.2279022.

Hacker, Florian; Harthan, Ralph; Kasten, Peter; Loreck, Charlotte; Zimmer, Wiebke

(2011): OPTUM: Marktpotenziale und CO2-Bilanz von Elektromobilität.

Hahn, Tobias; Schönfelder, Martin; Jochem, Patrick; Heuveline, Vincent; Fichtner, Wolf

(2013): Model-Based Quantification of Load Shift Potentials and Optimized Charging of

Electric Vehicles. In: SGRE 04 (05), S. 398–408. DOI: 10.4236/sgre.2013.45046.

Herb, Frieder (2010): Alterungsmechanismen in Lithium-Ionen-Batterien und PEM-

Brennstoffzellen und deren Einfluss auf die Eigenschaften von daraus bestehenden

Hybrid-Systemen. Dissertation. Universität Ulm.

Holtsmark, Bjart; Skonhoft, Anders (2014): The Norwegian support and subsidy policy

of electric cars. Should it be adopted by other countries? In: Environmental Science &

Policy 42, S. 160–168. DOI: 10.1016/j.envsci.2014.06.006.

Hose, Christian; Lübke, Karsten; Nolte, Thomas; Obermeier, Thomas (2015): Einführung

von Elektromobilität in Deutschland: Eine Bestandsaufnahme von Barrieren und

Lösungsansätzen. In: Arbeitspapiere der FOM.

Hüttl, Reinhard F.; Pischetsrieder, Bernd; Spath, Dieter (2010): Elektromobilität. Berlin,

Heidelberg: Springer Berlin Heidelberg.

Hyundai (2017): IONIQ Elektro.


83

Institut für Verkehrswesen, Karlsruher Institut für Technologie (2012): Das Deutsche

Mobilitätspanel (MOP): Informationen zur Datennutzung.

Institut für Verkehrswesen, Karlsruher Institut für Technologie (2016): Deutsches

Mobilitätspanel (MOP) – Wissenschaftliche Begleitung und Auswertungen, Bericht

2015/2016: Alltagsmobilität und Fahrleistung.

Jaguar Land Rover Ltd. (2018): Der neue vollelektrische Jaguar I-Pace.

Kaschub, Thomas (2017): Batteriespeicher in Haushalten unter Berücksichtigung von

Photovoltaik, Elektrofahrzeugen und Nachfragesteuerung. Promotion, Karlsruhe.

Kaschub, Thomas; Heinrichs, Heidi, Jochem, Patric; Fichtner, Wolf (2013): Modeling

Load Shifting Potentials of Electric Vehicles.

KBA (2018): Jahresbilanz des Fahrzeugbestands am 01.01.2018. Online verfügbar unter

https://www.kba.de/DE/Statistik/Fahrzeuge/Bestand/b_jahresbilanz.html?nn=644526

, zuletzt geprüft am 21.03.2018.

KIA (2017): Der KIA Soul EV.

Kollosche, Ingo; Schwedes, Oliver (2016): Mobilität im Wandel. In: Transformationen

und Entwicklungen im Personen.

Leitinger, C.; Litzlbauer, M. (2011): Netzintegration und Ladestrategien der Elektro-

mobilität. In: Elektrotech. Inftech. 128 (1-2), S. 10–15. DOI: 10.1007/s00502-011-0800-

3.

Liu, Lan (2017): Einfluss der privaten Elektrofahrzeuge auf Mittel- und

Niederspannungsnetze. Dissertation, Darmstadt.

Mercedes-Benz (2017): B-Klasse Sports Tourer.

Michaelis, Julia; Plötz, Patrick; Gnann, Till; Wietschel, Martin (2012): Vergleich

alternativer Antriebstechnologien: Batterie-, Plug-in Hybrid- und Brennstoffzellen-

fahrzeug. In: Patrick Jochem, Witold-Roger Poganietz, Armin Grundwald und Wolf

Fichtner (Hg.): Alternative Antriebskonzepte bei sich wandelnden Mobilitätsstilen, S.

51–79.

Model3.info (2018): Tesla Model 3 - Technische Daten. Online verfügbar unter

https://www.model3.info/de/tesla-model-3-technische-daten, zuletzt geprüft am

15.04.2018.


84

Mohsenian-Rad, Amir-Hamed; Wong, Vincent W. S.; Jatskevich, Juri; Schober, Robert;

Leon-Garcia, Alberto (2010): Autonomous Demand-Side Management Based on Game-

Theoretic Energy Consumption Scheduling for the Future Smart Grid. In: IEEE Trans.

Smart Grid 1 (3), S. 320–331. DOI: 10.1109/TSG.2010.2089069.

Mouli, Gautham Ram Chandra; Kaptein, Johan; Bauer, Pavol; Zeman, Miro (2016):

Implementation of dynamic charging and V2G using Chademo and CCS/Combo DC

charging standard. In: IEEE (Hg.): 2016 IEEE Transportation Electrification Conference

and Expo (ITEC). Dearborn, MI, USA, 27.06.2016 - 29.06.2016: IEEE, S. 1–6.

Nissan (2017): Nissan e-NV200 EVALIA.

Nissan (2018): Nissan LEAF, Broschüre und Preisliste.

Opel (2017): Der neue Ampera-e.

Radgen, Peter (2018): Von der Schwierigkeit, nicht nur im Kopf umzuparken – Ein

Selbstversuch zur Elektromobilität. In: Olaf Kühne und Florian Weber (Hg.): Bausteine

der Energiewende, S. 587–607.

Reichert, Carolin; Reimann, Katja; Lohr, Jörg (2012): Elektromobilität – Antworten auf

die fünf entscheidenden Fragen. In: Hans-Gerd Servatius (Hg.): Smart Energy. Wandel zu

einem nachhaltigen Energiesystem. Berlin u.a.: Springer, S. 453–461.

Renault (2017): Renault ZOE - Preise und Ausstattungen.

Ried, Sabrina; Jochem, Patrick; Fichtner, Wolf (2013): Chancen für IKT durch zukünftige

Dienstleistungs-Geschäftsmodelle für Flotten mit Elektrofahrzeugen.

Schäuble, Johannes; Kaschub, Thomas; Ensslen, Axel; Jochem, Patrick; Fichtner, Wolf

(2017): Generating electric vehicle load profiles from empirical data of three EV fleets in

Southwest Germany. In: Journal of Cleaner Production 150, S. 253–266. DOI:

10.1016/j.jclepro.2017.02.150.

Schill, Wolf-Peter; Niemeyer, Moritz; Zerrahn, Alexander; Diekmann, Jochen (2016):

Bereitstellung von Regelleistung durch Elektrofahrzeuge. Modellrechnungen für

Deutschland im Jahr 2035. In: Z Energiewirtsch 40 (2), S. 73–87. DOI: 10.1007/s12398-

016-0174-7.

Schönfelder, Martin; Pathmaperuma, Daniel; Reiner, Ulrich; Fichtner, Wolf; Schmeck,

Hartmut; Leibfried, Thomas (2009): Elektromobilität. In: uwf 17 (4), S. 373–380. DOI:

10.1007/s00550-009-0157-9.


85

Schöttle, Markus; Bitsche, Ottmar (2017): „Schnelles Laden, das zählt künftig zum

erweiterten Kern unserer Marke“. In: ATZ Elektron 12 (5), S. 22–25. DOI:

10.1007/s35658-017-0083-5.

Schücking, Maximilian; Jochem, Patrick; Fichtner, Wolf; Wollersheim, Olaf; Stella, Kevin

(2017): Charging strategies for economic operations of electric vehicles in commercial

applications. In: Transportation Research Part D: Transport and Environment 51, S. 173–

189. DOI: 10.1016/j.trd.2016.11.032.

smart (2017): smart electric drive.

Spicher, Ulrich (2012): Analyse der Effizienz zukünftiger Antriebssysteme für die indivi-

duelle Mobilität. In: MTZ Motortech Z 73 (2), S. 98–105. DOI: 10.1365/s35146-012-

0242-4.

Sundstrom, Olle; Binding, Carl (2012): Flexible Charging Optimization for Electric

Vehicles Considering Distribution Grid Constraints. In: IEEE Trans. Smart Grid 3 (1), S.

26–37. DOI: 10.1109/TSG.2011.2168431.

Tesla (2018a): Tesla Model S. Online verfügbar unter

https://www.tesla.com/de_DE/models, zuletzt geprüft am 15.04.2018.

Tesla (2018b): Tesla Model X. Online verfügbar unter

https://www.tesla.com/de_DE/modelx, zuletzt geprüft am 15.04.2018.

The Mobility House (2018): Ladekabelarten und Steckertypen für Elektroautos. Online

verfügbar unter http://www.mobilityhouse.com/de/ladekabelarten-und-steckertypen/,

zuletzt geprüft am 13.03.2018.

Umweltbundesamt (2016): Weiterentwicklung und vertiefte Analyse der Umweltbilanz

von Elektrofahrzeugen. Unter Mitarbeit von Hinrich Helms, Julius Jöhrens, Claudia

Kämper, Jürgen Giegrich und Axel Liebich. Hg. v. Umweltbundesamt.

Vezzini, Andrea (2010): Elektrofahrzeuge. MobilitÃ¤t und erneuerbare Energie. In: Phys.

Unserer Zeit 41 (1), S. 36–42. DOI: 10.1002/piuz.201001221.

Volkswagen (2018a): Der e-Golf. Technik und Preise.

Volkswagen (2018b): Der e-up! Technik und Preise.

zooom (2017): Nissan EVALIA Stadtindianer. In zwei Welten zuhause.

Anhang A: Verwendete Elektrofahrzeuge

86

Anhang A: Verwendete Elektrofahrzeuge

Tabelle 16: Für die Fahrzeugsubstitution verwendete Elektrofahrzeuge58.

Segment59 Marke Modell Batterie (kWh)

Verbrauch (kWh/100km)

Leistung (kW)

1 Smart Fortwo electric Drive 17,6 12,9 60

1 VW e-up! 18,7 11,7 60

2 Smart Forfour electric Drive 17,6 13,1 60

2 Renault ZOE Z.E. 40 41 11,2 68

2 BMW i3 94Ah 27,2 13,6 125

3 Hyundai Ioniq Elektro 28 11,5 88

3 VW e-Golf 35,8 12,7 100

3 Nissan Nissan Leaf 40 19,4 110

3 Chevrolet / Opel

Chevrolet Bolt / Opel Ampera-e

60 14,5 150

4 Tesla Model 3 50 14,1 192

5 Tesla Model S 75D 75 18,6 315

6 Tesla Model S 100D 100 18,9 315

7 Tesla Model X 75D 75 20,8 245

8 Tesla Model S P100D 100 20 515

9 KIA KIA Soul EV 30 14,3 81,4

9 Mercedes-Benz B 250e 28 16,6 132

10 Nissan e-NV200 Evalia 24 16,5 80

11 StreetScooter StreetScooter Work 20 25 30

11 Nissan e-NV200 Evalia 24 16,5 80

12 Nissan / zooom

EVALIA Stadtindianer 24 16,5 80

13 Tesla Tesla Model X 75D 75 20,8 245

13 Jaguar I-Pace 90 21,2 294

Quellen: (smart 2017; Volkswagen 2018b; Renault 2017; BMW 2017; Hyundai 2017; Volkswagen 2018a; Nissan 2018; Opel 2017; Model3.info 2018; Tesla 2018a, 2018b; KIA 2017; Mercedes-Benz 2017; Nissan 2017; Deutsche Post DHL Group 2016; zooom 2017; Jaguar Land Rover Ltd. 2018).

58 Manche Fahrzeuge wurden für mehrere Fahrzeugsegmente verwendet und tauchen deshalb in der Tabelle

doppelt auf. 59 1 - Mini, 2 - Kleinwagen, 3 - Kompaktklasse, 4 - Mittelklasse, 5 - Obere Mittelklasse, 6 - Oberklasse,

7 - Geländewagen, 8 - Sportwagen, 9 - Mini-Van, 10 - Großraum-Van, 11 - Utility, 12 - Wohnmobil, 13 - SUV.

Anhang B: Erhobene Haushaltsinformationen

87


Tabelle 17: In den MOP-Befragungen erhobene Haushaltsinformationen.

Variable Werte Beschreibung

BIK

Raumtyp nach GKBIK10: Einw.-Zahl näherungsweise - die Unterteilung nach Regionskern und Regionsrand erfolgt anhand der Einwohner-Arbeitsplatz-Dichte (E-A). Beträgt sie mehr als 1000 E-A pro km^2, wird die Lage als Regionskern definiert

0 (10) mehr als 500.000 Einw., Wohnung im Regionskern gelegen

1 (9) mehr als 500.000 Einw., Wohnung am Regionsrand

2 (8) 100.000 - 500.000 Einw., Wohnung im Regionskern

3 (7) 100.000 - 500.000 Einw., Wohnung am Regionsrand

4 (6) 50.000 - 100.000 Einw., Wohnung im Regionskern

5 (5) 50.000 - 100.000 Einw., Wohnung am Regionsrand

6 (4) 20.000 - 50.000 Einw.

7 (3) 5.000 - 20.000 Einw.

8 (2) 2.000 - 5.000 Einw.

9 (1) unter 2.000 Einw.

RAUMTYP

Raumtyp nach BIK (s. BIK), zusammengefasst:

1 mehr als 100.000 Einw., Lage im Kern

2 mehr als 100.000 Einw., Lage am Rand

3 20.000 - 100.000 Einw.

4 5.000 - 20.000 Einw.

5 unter 5.000 Einw.

REGION

Siedlungsstrukturelle Regionstypen nach BBSR 7er Skala (ehemals BBR, ehemals BFLR); weitere Hinweise auf: http://www.bbsr.bund.de/cln_032/nn_340582/BBSR/DE/Raumbeobachtung/Werkzeuge/Raumabgrenzungen/SiedlungsstrukturelleGebietstypen/Regionstypen/regionstypen.html?__nnn=true

1 Hochverdichtete Agglomerationsräume

2 Agglomerationsräume mit herausragenden Zentren

3 Verstädterte Räume höherer Dichte

4 Verstädterte Räume mittlerer Dichte mit großen Oberzentren

5 Verstädterte Räume mittlerer Dichte ohne große Oberzentren

6 Ländliche Räume höherer Dichte

7 Ländliche Räume geringerer Dichte

KREIS

Siedlungsstrukturelle Regionstypen nach BBSR 9er Skala:

1 Kernstädte in Agglomerationsräumen

2 Hochverdichtete Kreise in Agglomerationsräumen

3 Verdichtete Kreise in Agglomerationsräumen

4 Ländliche Kreise in Agglomerationsräumen

5 Kernstädte in verstädterten Räumen

6 Verdichtete Kreise in verstädterten Räumen

7 Ländliche Kreise in verstädterten Räumen

8 Ländliche Kreise höherer Dichte in ländlichen Räumen

9 Ländliche Kreise geringerer Dichte in ländlichen Räumen


88

GEMEINDE

Siedlungsstrukturelle Regionstypen nach BBSR 17er Skala:

1 Größere Kernstädte in Agglomerationsräumen

2 Kernstädte in Agglomerationsräumen

3

Ober- / Mittelzentren in hochverdichteten Kreisen von Agglomerati-onsräumen

4

Sonstige Gemeinden in hochverdichteten Kreisen von Agglomerati-onsräumen

5

Ober- / Mittelzentren in verdichteten Kreisen von Agglomerations-räumen

6

Sonstige Gemeinden in verdichteten Kreisen von Agglomerationsräu-men

7 Ober- / Mittelzentren in ländlichen Kreisen von Agglomerationräumen

8 Sonstige Gemeinden in ländlichen Kreisen von Agglomerationräumen

9 Kernstädte in verstädterten Räumen

10

Ober- / Mittelzentren in verdichteten Kreisen innerhalb von verstäd-terten Räumen

11

Sonstige Gemeinden in verdichteten Kreisen innerhalb von verstädter-ten Räumen

12

Ober- / Mittelzentren in ländlichen Kreisen innerhalb von verstädter-ten Räumen

13

Sonstige Gemeinden in ländlichen Kreisen innerhalb von verstädter-ten Räumen

14 Ober- / Mittelzentren in ländlichen Kreisen höherer Dichte

15 Sonstige Gemeinden in ländlichen Kreisen höherer Dichte

16 Ober- / Mittelzentren in ländlichen Kreisen geringere Dichte

17 Sonstige Gemeinden in ländlichen Kreisen geringerer Dichte

GKZ

Gemeindekennzahl (aus Datenschutzgründen nur die ersten 5 Stellen, d.h. Kreiskennzahl - führende Nullen fehlen). Belegung der Ziffern von links nach rechts:

Ziffern 1 und 2: Bundesland

1 Schleswig-Holstein

2 Hamburg

3 Niedersachsen

4 Bremen

5 Nordrhein-Westfalen

6 Hessen

7 Rheinland-Pfalz

8 Baden-Württemberg

9 Bayern

10 Saarland

11 Berlin

12 Brandenburg

13 Mecklenburg-Vorpommern

14 Sachsen

15 Sachsen-Anhalt

16 Thüringen

Ziffer 3: Regierungsbezirk

Ziffern 4 und 5: Kreis


89

PLZ

Postleitzahl (erste 3 Stellen (in 2012 nur die ersten 2 Stellen) - führen-de Nullen fehlen)

0-99999 PLZ

EWZahl

Einwohnergrößenklasse (Gemeindegrößenklasse (politisch))

1 unter 2000

2 2.000 bis unter 5.000

3 5.000 bis unter 20.000

4 20.000 bis unter 50.000

5 50.000 bis unter 100.000

6 100.000 bis unter 500.000

7 500.000 und mehr

WETTER

Zuordnung des HH-Wohnortes in den Wetterbereich der Wetterstati-onen:

1 Wetterbereich 1: Wetterstation Hamburg

2 Wetterbereich 2: Wetterstation Essen-Bredeney

3 Wetterbereich 3: Wetterstation Flughafen Frankfurt/Main

4 Wetterbereich 4: Wetterstation Ulm / Münsterhausen

5 Wetterbereich 5: Wetterstation Berlin-Schönefeld

6 Wetterbereich 6: Wetterstation Gera-Leumnitz

UMZUG

Bei Wiederholer-HH: Angabe, ob der Haushalt im Lauf des vergange-nen Jahres umgezogen ist (siehe Hinweise)

0 Nein (kein Umzug)

1 Ja (Umzug)

LAGE

Lage der Wohnung des HHs nach Einschätzung und Angabe des HHs selbst

1 Im inneren Stadtbereich einer Großstadt

2 Am Stadtrand / in einem Vorort einer Großstadt

3 Im inneren Stadtbereich einer mittelgroßen Stadt

4 Am Stadtrand / in einem Vorort einer mittelgroßen Stadt

5 In einer Kleinstadt / in einer großen Gemeinde

6 Auf dem Land / in einer kleinen Landgemeinde

9 Keine Angabe

HHTYP

Haushaltstyp (da diese Typisierung auf Angaben aus der Anwerbung basiert gibt es Abweichungen gegenüber Typisierungen auf Basis von Angaben aus dem Datensatz; nicht in Welle 1995).

1 Kleinhaushalt mit Berufstätigen (1-2 Personen)

2 Kleinhaushalt ohne Berufstätige (1-2 Personen, Rentner)

3 Haushalt mit Kindern unter 18 Jahren

4 Haushalt ohne Kinder, 3 und mehr Erwachsene

HHGRO

Anzahl der im Haushalt lebenden Personen

0-99999 Anzahl Personen

P0_10

Anzahl der im Haushalt lebenden Kinder unter 10 Jahren

0-99999 Anzahl Kinder


90

EINKO

Monatliches Netto-Einkommen des Haushalts (wurde in 2002/2003 für die Erstberichter-Kohorte erhoben, andere Klassierung)

1 bis unter 500 €

2 500 bis unter 1.000 €

3 1.000 bis unter 1.500 €

4 1.500 bis unter 2.000 €

5 2.000 bis unter 2.500 €

6 2.500 bis unter 3.000 €

7 3.000 bis unter 3.500 €

8 3.500 bis unter 4.000 € (bis 2012/2013: 3.500 € und mehr)

9 4.000 bis unter 5.000 €

10 5.000 € und mehr

99 Keine Angabe

PKWHH

Anzahl der im Haushalt vorhandenen Pkw

0-99999 Anzahl Pkw

PARKGAR

Angabe, ob eine Garage oder ein privater Parkplatz vorhanden ist

1 Ja

9 Keine Angabe / Nein

PARKPROB

Angabe bezüglich der Schwierigkeit, in der Nähe der Wohnung einen Parkplatz zu finden

1 Sehr schwierig

2 Schwierig

3 Nicht besonders schwierig

4 Überhaupt nicht schwierig

9 Keine Angabe

OEFFZUF

Zufriedenheit mit der Anbindung an öffentliche Verkehrsmittel

1 Im Großen und Ganzen zufrieden

2 Sollte verbessert werden

9 Keine Angabe

Quelle: Institut für Verkehrswesen, Karlsruher Institut für Technologie 2016.

Anhang C: Aufenthaltsorte der Fahrzeuge

91


Abbildung 20: Aufenthaltsorte der bewegten Fahrzeuge in der gesamten Woche (Typ 1 & 2).


92



93


Anhang D: Aufenthaltsdauer der Fahrzeuge

94

Anhang D: Aufenthaltsdauer der Fahrzeuge

Abbildung 23: Aufenthaltsdauer der Fahrzeuge nach Aufenthaltsort und Haushaltstyp.

Anhang E: Standardlastprofile

95


Typ 1: Innerer Stadtbereich einer Großstadt

Abbildung 24: Standardlastprofile bei ungesteuertem Laden je Ladeszenario (Typ 1).


96

Typ 2: Stadtrand / Vorort einer Großstadt



97

Typ 3: Innerer Stadtbereich einer mittelgroßen Stadt



98

Typ 4: Stadtrand / Vorort einer mittelgroßen Stadt



99

Typ 5: Kleinstadt / große Gemeinde



100

Typ 6: Auf dem Land / kleine Landgemeinde


Anhang F: Lastverschiebepotentiale

101


Ladeszenario A: Charging near Home

Abbildung 30: Verfügbare und geladene Energie bei Max-/Min-Strategie (Ladeszenario A).


102

Ladeszenario B: Charging near Home & Charging near Work

Abbildung 31: Verfügbare und geladene Energie bei Max-/Min-Strategie (Ladeszenario B).


103

Ladeszenario C: Charging near Home, Charging near Work & Public Charging

Abbildung 32: Verfügbare und geladene Energie bei Max-/Min-Strategie (Ladeszenario C).

104

Eidesstattliche Erklärung

Ich versichere wahrheitsgemäß, die Arbeit selbstständig angefertigt, alle benutzten

Hilfsmittel vollständig und genau angegeben, die wörtlich oder inhaltlich übernomme-

nen Stellen als solche kenntlich gemacht und die Satzung des KIT zur Sicherung guter

wissenschaftlicher Praxis in der jeweils gültigen Fassung beachtet zu haben.

Ebenso versichere ich, dass diese Arbeit oder Teile daraus weder von mir selbst noch

von anderen als Leistungsnachweise andernorts eingereicht wurden. Sämtliche Sekun-

därliteratur und sonstige Quellen sind nachgewiesen und in der Bibliographie aufge-

führt. Das Gleiche gilt für graphische Darstellungen und Bilder sowie für alle Internet-

Quellen.

Karlsruhe, den 16. April 2018

(Daniel Heinz)

The responsibility for the contents of the working papers rests with the author, not the institute.

Since working papers are of preliminary nature, it may be useful to contact the author of a

particular working paper about results or caveats before referring to, or quoting, a paper. Any

comments on working papers should be sent directly to the author.

Working Paper Series in Production and Energy

recent issues

No. 1 Alexandra-Gwyn Paetz, Lisa Landzettel, Patrick Jochem, Wolf Fichtner:

Eine netnografische Analyse der Nutzererfahrungen mit E-Rollern

No. 2 Felix Teufel, Michael Miller, Massimo Genoese, Wolf Fichtner:

Review of System Dynamics models for electricity market simulations

No. 3 Patrick Jochem, Thomas Kaschub, Wolf Fichtner:

How to integrate electric vehicles in the future energy system?

No. 4 Sven Killinger, Kai Mainzer, Russell McKenna, Niklas Kreifels, Wolf

Fichtner:

A regional simulation and optimization of renewable energy supply from

wind and photovoltaics with respect to three key energy-political

objectives

No. 5 Kathrin Dudenhöffer, Rahul Arora, Alizée Diverrez, Axel Ensslen, Patrick

Jochem, Jasmin Tücking:

Potentials for Electric Vehicles in France, Germany, and India

No. 6 Russell McKenna, Carsten Herbes, Wolf Fichtner:

Energieautarkie: Definitionen, Für- bzw. Gegenargumente, und

entstehende Forschungsbedarfe

No. 7 Tobias Jäger, Russell McKenna, Wolf Fichtner:

Onshore wind energy in Baden-Württemberg: a bottom-up economic

assessment of the socio-technical potential

No. 8 Axel Ensslen, Alexandra-Gwyn Paetz, Sonja Babrowski, Patrick Jochem,

Wolf Fichtner:

On the road to an electric mobility mass market - How can early adopters

be characterized?

No. 9 Kai Mainzer, Russell McKenna, Wolf Fichtner:

Charakterisierung der verwendeten Modellansätze im Wettbewerb

Energieeffiziente Stadt

No. 10 Hannes Schwarz, Valentin Bertsch, Wolf Fichtner:

Two-stage stochastic, large-scale optimization of a decentralized energy

system – a residential quarter as case study

No. 11 Leon Hofmann, Russell McKenna, Wolf Fichtner:

Development of a multi-energy residential service demand model for

evaluation of prosumers‘ effects on current and future residential load

profiles for heat and electricity

No. 12 Russell McKenna, Erik Merkel, Wolf Fichtner:

Energy autonomy in residential buildings: a techno-economic model-

based analysis of the scale effects

No. 13 Johannes Schäuble, Silvia Balaban, Peter Krasselt, Patrick Jochem,

Mahmut Özkan, Friederike Schnellhas-Mende, Wolf Fichtner, Thomas

Leibfried, Oliver Raabe:

Vergleichsstudie von Systemansätzen für das Schnelladen von

Elektrofahrzeugen






recent issues

No. 14 Marian Hayn, Valentin Bertsch, Anne Zander, Stefan Nickel, Wolf

Fichtner:

The impact of electricity tariffs on residential demand side flexibility

No. 15 Erik Merkel, Robert Kunze, Russel McKenna, Wolf Fichtner:

Modellgestützte Bewertung des Kraft-Wärme-Kopplungsgesetzes 2016

anhand ausgewählter Anwendungsfälle in Wohngebäuden

No. 16 Russell McKenna, Valentin Bertsch, Kai Mainzer, Wolf Fichtner:

Combining local preferences with multi-criteria decision analysis and

linear optimisation to develop feasible energy concepts in small

communities

No. 17 Tilman Apitzsch, Christian Klöffer, Patrick Jochem, Martin Doppelbauer,

Wolf Fichtner:

Metaheuristics for online drive train efficiency optimization in electric

vehicles

No. 18 Felix Hübner, Georg von Grone, Frank Schultmann:

Technologien zur Zerlegung und zur Dekontamination von

kerntechnischen Anlagen

No. 19 Felix Hübner, Jennifer Jana Jung, Frank Schultmann:

Gefahren ionisierender Strahlung für Mensch und Umwelt in Bezug auf

kerntechnische Anlagen

No. 20 Juri Lüth, Tobias Jäger, Russell McKenna, Wolf Fichtner:

Photovoltaik auf Gebäuden: eine GIS-gestützte Ermittlung des Potenzials

in Baden-Württemberg

No. 21 Felix Hübner, Jennifer Jana Jung, Frank Schultmann:

Auswirkungen nuklearer Unfälle auf den Menschen und die Umwelt

No. 22 Felix Hübner, Ulli Schellenbaum, Christian Stürck; Patrick Gerhards,

Frank Schultmann:

Evaluation von Schedulingproblemen für die Projektplanung von

Großprojekten am Beispiel des kerntechnischen Rückbaus

No. 23 Martin Hain, Hans Schermeyer, Marliese Uhrig-Homburg, Wolf Fichtner:

An Electricity Price Modeling Framework for Renewable-Dominant

Markets

No. 24 Hannes Schwarz, Lars Kotthoff, Holger Hoos, Wolf Fichtner and Valentin

Bertsch:

Using automated algorithm configuration to improve the optimization of

decentralized energy systems modeled as large-scale, two-stage

stochastic programs

No. 25 Felix Hübner, Tobias Hünlich, Florian Frost, Rebekka Volk, Frank

Schultmann

Analyse des internationalen Marktes für den Rückbau kerntechnischer

Anlagen: Stand und Ausblick






recent issues

No. 26 Jann Weinand, Russell McKenna, Wolf Fichtner

Developing a municipality typology for modelling decentralised energy

systems

Nr. 27 Andreas Bublitz, Dogan Keles, Florian Zimmermann, Christoph

Fraunholz, Wolf Fichtner

A survey on electricity market design: Insights from

theory and real-world implementations of capacity

remuneration mechanisms

Nr. 28 Felix Hübner, Sven Möller, Frank Schultmann

Entwicklung eines Expertensystems für die Planung kerntechnischer

Rückbauprojekte

Nr. 29 Alexander Harbrecht, Russell McKenna, David Fischer, Wolf Fichtner

Behavior-oriented Modeling of Electric Vehicle Load Profiles: A Stochastic

Simulation Model Considering Different Household Characteristics,

Charging Decisions and Locations

www.iip.kit.edu

Impressum

Karlsruher Institut für Technologie

Institut für Industriebetriebslehre und Industrielle Produktion (IIP)

Deutsch-Französisches Institut für Umweltforschung (DFIU)

Hertzstr. 16

D-76187 Karlsruhe

KIT – Universität des Landes Baden-Württemberg und

nationales Forschungszentrum in der Helmholtz-Gemeinschaft


No. 30, Oktober 2018

ISSN 2196-7296

Erstellung und Auswertung repräsentativer Mobilitäts- und ...

Documents

Transcript of Erstellung und Auswertung repräsentativer Mobilitäts- und ...